DeepSeek-V4-Pro 正式版上线：Agent 能力提升之外，还应怎样读独立测评

2026 年 8 月 13 日，DeepSeek API 更新日志宣布 deepseek-v4-pro 的 GA 版本在 APP、Web 与 API 上线，并称 DeepSWE 为 62.7、Terminal Bench 2.1 为 87.9，同时原生支持 Responses API、适配 Codex。这里首先要区分两层证据：这些是厂商针对 GA 版本给出的能力声明；能否迁移到团队自己的 Agent 工作流，还要看独立评测的模型版本、脚手架和预算是否相同。

官方分数说明了发布方向，但不是独立复测

官方发布把重点放在代码、终端与工具调用等 Agent 场景，并保留 deepseek-v4-pro 这一模型名。Responses API 与 Codex 适配是接口与集成能力的变化；它能减少接入转换，但不能单凭接口兼容推出修复成功率、长任务稳定性或成本已经同步提升。Codex 的具体接入要求仍应以 DeepSeek Codex 接入文档为准，thinking 强度的实际取舍也应按 Thinking Mode 文档做本地任务集验证。

因此，DeepSWE 62.7、Terminal Bench 2.1 87.9 等数值在本文只作为厂商公布的 GA 结果保留：目前没有找到以 8 月 13 日 GA 快照、相同版本号和相同推理设置为对象的可复核第三方复测。不能把较早版本的外部结果直接当成对这些 GA 分数的验证或反驳。

NIST/CAISI 给出的是较早 V4-Pro 的独立基线

NIST 的 CAISI 独立评估在 2026 年 4 月测试了开源权重版 DeepSeek V4 Pro，而非 8 月的 GA API 更新。它使用九项基准、包含半私有数据与内部软件工程测试；对 Agent 相关设置，CAISI 使用 Inspect 的 ReAct agent，并为 PortBench、CTF-Archive-Diamond 和 SWE-Bench Verified 设定不同的加权 token 预算。

在该独立设置下，V4 Pro（max）在 SWE-Bench Verified 为 74%，PortBench 为 44%，整体 IRT 估计 Elo 为 800 ± 28。CAISI 同时指出，SWE-Bench 的分数会受到系统提示、脚手架与 token 预算影响，且其结果通常低于其他评测方的数字。这不是“谁的分数更真”的简单结论，而是提醒选型者：模型、工具循环、上下文上限和成功判定一起构成 Agent 成绩。

*图：NIST/CAISI 将 DeepSeek 自报基准与其预先设定的评估套件并列，展示不同基准选择会改变相对结论。图源：NIST / CAISI 独立评估，不是 DeepSeek GA 版本的复测图。*

公开 AgentRE-Bench 补充了运行代价与失败方式

AgentRE-Bench 的公开运行分析以 deepseek-v4-pro 的 thinking 模式运行 13 个二进制逆向分析任务，报告总分 0.648、完成 10/13 个任务、平均每任务 12.4 次工具调用；同时记录三个任务受到提供方超时影响。该项目公开了模型配置、harness 改动和运行命令，因而可作为一个可追溯的外部场景信号。

但它不是通用 Agent 排行榜：任务数量小、场景集中，且部分空结果仍进入评分默认值。它最有价值的地方不是证明 V4-Pro“最强”，而是暴露了实际集成中必须处理的条件——thinking trace 在多轮调用中需要正确回传，短暂的提供方超时也会影响端到端完成率。文章不据此推导网络安全操作能力，也不提供任务复现或攻击步骤。

对 Responses API 接入团队的可执行判断

GA 的价值可以先按“接入便利性”验证，再按“任务结果”验证。第一步确认 Responses API、Codex 适配与现有工具调用、上下文回传是否兼容；第二步用团队自己的真实 issue、终端任务或审批流，在固定时间、token 上限、重试策略和成功判定下，对比旧版本。至少记录完成率、人工接管率、每任务 token、端到端时延与失败原因。

这样既不会把 DeepSeek 的最新官方数字误当独立结论，也不会因为较早版本的外部评测而忽略 GA 的实际更新。现有外部证据支持把 V4-Pro 放入候选集，但不足以替代针对具体工作流的回归测试。