为什么 DeepSeek V4 Flash 可以超过 V4 Pro Preview

2026 年 7 月 31 日，DeepSeek 发布了 V4-Flash-0731 正式版。令人震惊的是，这个仅 284B 总参数（13B 激活）的轻量模型，在 Agentic（智能体）基准测试上全面超越了自家 1.6T 总参数（49B 激活）的 V4-Pro-Preview。本文深入分析这一「以下克上」现象背后的技术原因。

全文摘要

DeepSeek V4-Flash-0731 在 Terminal Bench 2.1、DeepSWE、Cybergym 等 9 项 Agentic（智能体）Benchmark（基准测试）上全面超越 V4-Pro-Preview，且价格仅为 Pro 的 1/3。核心原因在于：Flash-0731 使用了完全相同的架构和参数规模 ，但通过 Re-Post-Training（重新后训练） 大幅提升了 Agentic（智能体）Capability。而 V4-Pro-Preview 仍停留在初始预览版本，未经同样的后训练优化。这一现象揭示了 Post-Training（后训练）在 Agentic（智能体）能力塑造中的关键作用，也说明模型能力的提升并非只有 Scaling 一条路。

1. 背景介绍

2026 年 4 月 24 日，DeepSeek 正式发布了 V4 系列，包含两个 MoE（Mixture of Experts，混合专家模型）模型：

DeepSeek-V4-Pro：1.6T 总参数，49B 激活参数，定位旗舰级推理与 Agentic Coding（智能体编程）
DeepSeek-V4-Flash：284B 总参数，13B 激活参数，定位高性价比、高吞吐量的轻量部署

两者均基于 MIT 开源协议发布，支持 1M Token 的 Context Window（上下文窗口）和 384K 的最大输出长度。在发布之初，Pro 和 Flash 的定位非常清晰：Pro 是能力上限，Flash 是性价比选择。

然而，2026 年 7 月 31 日，DeepSeek 发布了 V4-Flash-0731 正式版 API，这一格局被彻底打破。DeepSeek 官方公布的 Benchmark（基准测试）数据显示，V4-Flash-0731 在 9 项 Agentic（智能体）Benchmark（基准测试）上全面超越了 V4-Pro-Preview。更令人意外的是，Flash-0731 与 Flash-Preview 采用了完全相同的架构和参数规模 ，唯一的区别是进行了 Re-Post-Training（重新后训练）。

参考资料：

2. 架构差异

2.1 参数规模对比

规格	V4-Pro	V4-Flash
总参数	1.6T	284B
激活参数	49B（3.1%）	13B（4.6%）
专家数	256 Experts，8 个激活	64 Experts，8 个激活
上下文窗口	1M Tokens	1M Tokens
最大输出	384K Tokens	384K Tokens
精度	FP4 + FP8 混合	FP4 + FP8 混合
开源协议	MIT	MIT

2.2 架构共同点

两者均采用 DeepSeek 自研的 Hybrid Attention（混合注意力）架构，结合了 CSA（Compressed Sparse Attention，压缩稀疏注意力）和 HCA（Heavily Compressed Attention，重度压缩注意力），大幅降低了推理时的计算量和 KV Cache 占用。相比 V3.2，V4-Pro 的推理 FLOPs 降低了 73%，KV Cache 降低了 90%。

2.3 关键差异

Pro 的专家数是 Flash 的 4 倍（256 vs 64），激活参数是 Flash 的 3.8 倍（49B vs 13B）。从 Scaling Law（缩放定律）的直觉来看，Pro 应该在所有维度上都优于 Flash。然而，在 Agentic（智能体）任务上，Flash-0731 不仅没有落后，反而实现了反超------这正是本篇文档要解答的核心问题。

参考资料：

3. 0731 更新：Post-Training 的力量

3.1 核心事实：相同架构，不同结果

这是整个事件中最关键的事实：V4-Flash-0731 与 V4-Flash-Preview 采用了完全相同的架构和参数规模，唯一的区别是进行了 Re-Post-Training（重新后训练）。

DeepSeek 官方在发布说明中明确写道：「same architecture and size, new post-training」。这意味着，Flash-0731 在 Agentic（智能体）能力上的巨大飞跃，完全来自于后训练阶段的数据选择和训练策略优化，而非模型规模的扩大或架构的创新。

3.2 Post-Training 的效果有多显著？

从 Preview 到 0731 的改进幅度惊人：

基准测试	Flash-Preview	Flash-0731	提升幅度
DeepSWE	7.3	54.4	+645%
AutomationBench	10.8	25.1	+132%
Cybergym	38.7	76.7	+98%
Toolathlon	49.7	70.3	+41%
NL2Repo	39.4	54.2	+38%
Terminal Bench 2.1	61.8	82.7	+34%
DSBench-FullStack	37.0	68.7	+86%
DSBench-Hard	25.8	59.6	+131%
Agents' Last Exam	15.8	25.2	+59%

这些数据清晰地表明：Post-Training（后训练）对 Agentic（智能体）能力的影响远大于模型规模本身。尤其是 DeepSWE 从 7.3 提升到 54.4（+645%），说明 DeepSeek 在后训练阶段找到了大幅提升 Agentic（智能体）Capability 的关键训练方法。

3.3 为什么 Post-Training 对 Agentic（智能体）任务如此重要？

Agentic（智能体）任务（如 Tool Use（工具调用）、Code Generation（代码生成）、Multi-Step Reasoning（多步推理））与传统的 Language Modeling（语言建模）有本质区别：

复杂的行为序列：Agentic（智能体）任务需要模型理解多步操作的因果关系，而非简单的 Next Token Prediction（下一个词元预测）
工具调用格式：需要精确遵循 API 格式和参数规范，这对训练数据中的格式一致性要求极高
错误恢复：Agent 需要具备从错误中恢复的能力，这种能力在 Pre-Training（预训练）阶段的语料中很少出现
反馈循环：高质量的后训练数据可以包含执行结果反馈，让模型学会根据环境反馈调整行为

DeepSeek 很可能在 Flash-0731 的后训练中引入了大量高质量的 Agentic Trajectory Data（智能体轨迹数据），包括实际的代码执行反馈、工具调用结果验证等，从而在相同的参数规模下实现了 Agentic（智能体）能力的质变。

参考资料：

4. Agentic（智能体）Benchmark 对比

4.1 Flash-0731 vs Pro-Preview：全面超越

这是 DeepSeek 官方公布的 Agentic（智能体）Benchmark（基准测试）对比数据：

基准测试	Flash-0731	Flash-Preview	Pro-Preview	GLM-5.2	Opus-4.8
Terminal Bench 2.1	82.7	61.8	72.1	81.0	85.0
NL2Repo	54.2	39.4	38.5	48.9	69.7
Cybergym	76.7	38.7	52.7	-	83.1
DeepSWE	54.4	7.3	12.8	46.2	58.0
Toolathlon Verified	70.3	49.7	55.9	59.9	76.2
Agents' Last Exam	25.2	15.8	16.5	23.8	25.7
AutomationBench Public	25.1	10.8	12.8	12.9	27.2
DSBench-FullStack	68.7	37.0	41.8	61.8	71.6
DSBench-Hard	59.6	25.8	31.1	54.5	71.7

Flash-0731 在全部 9 项 Agentic（智能体）Benchmark（基准测试）上均超越了 Pro-Preview（预览版）。尤其是 DeepSWE（54.4 vs 12.8，高出 4.3 倍）和 Cybergym（76.7 vs 52.7，高出 45%）的差距最为显著。

4.2 独立评测机构的验证

Artificial Analysis（人工智能分析平台）的独立评测也印证了这一趋势：Flash-0731 在 Intelligence Index（智能指数）上得分 50 ，而 V4-Pro 得分仅为 44 。在 Cost Per Task（单任务成本）上，Flash 仅为 $0.03，Pro为0.03，Pro 为$ 0.03，Pro为0.05。

4.3 与业界顶尖模型的对比

Flash-0731 在多数 Agentic（智能体）Benchmark（基准测试）上已经接近甚至超越 GLM-5.2（智谱的高端模型）。虽然仍落后于 Claude Opus 4.8，但考虑到 Flash 的价格仅为 Opus 4.8 的 1/50 左右，这一性价比在 Agentic（智能体）领域是前所未有的。

参考资料：

5. Pro 仍然占优的领域

虽然 Flash-0731 在 Agentic（智能体）任务上全面超越了 Pro-Preview（预览版），但在以下领域，Pro 仍然保持着明显的优势：

5.1 知识召回

SimpleQA-Verified（简易问答-验证集）测试中，Pro-Preview（预览版）得分 57.9，而 Flash 仅为 34.1，差距高达 23.8 个百分点。这表明 Pro 的更大参数规模在 Factual Knowledge（事实知识）的存储和召回上具有天然优势。

5.2 长上下文检索

在 MRCR 1M（百万级别上下文检索）测试中，Pro 得分 83.5，Flash 为 78.7，差距 4.8 个百分点。在大规模文档分析和精确信息定位场景中，Pro 的表现更可靠。

5.3 复杂推理

在 HLE（Humanity's Last Exam，人类最后的考试）上，Pro 得分 37.7，Flash 约 34.6，差距约 3 个百分点。在需要多步推理和深度分析的场景中，Pro 的更大参数规模仍然提供了更高的上限。

5.4 为什么 Pro 在这些领域有优势？

这背后的原因在于 Scaling Law（缩放定律）的本质：知识存储和长上下文处理需要的是模型的「容量」，而 Agentic（智能体）能力更多依赖的是「训练质量」。Pro 的 49B 激活参数提供了更大的知识存储空间，但如果没有经过同样高质量的后训练，这种容量优势在 Agentic（智能体）任务上无法转化为实际能力。

参考资料：

6. 总结

DeepSeek V4-Flash-0731 超越 V4-Pro-Preview 这一事件，揭示了 AI 模型能力提升中的两个重要规律：

维度	关键发现	启示
🧠 Post-Training（后训练）的力量	相同架构、相同参数，仅通过后训练即可实现 Agentic（智能体）能力数倍提升	Post-Training（后训练）是释放模型潜力的关键环节，其重要性不亚于 Pre-Training
⚖️ 规模与能力的错位	更大参数规模的 Pro 在 Agentic（智能体）任务上被 Flash 反超	参数规模并非能力的唯一决定因素，训练数据的质量和策略同样关键
🎯 Agentic（智能体）能力的特殊性	Agentic（智能体）能力对训练数据的依赖远大于对参数规模的依赖	Agentic（智能体）能力的提升可以通过针对性后训练实现，而不必依赖模型规模的扩大
💰 性价比的重新定义	Flash-0731 以 1/3 的价格实现更高的 Agentic（智能体）性能	在选择模型时，需要结合具体任务场景和训练状态，而非仅凭参数规模判断

核心结论 ：Flash-0731 超越 Pro-Preview（预览版）的根源在于------Post-Training（后训练）的时间差 。Flash 经过了 0731 版本的针对性后训练优化，而 Pro-Preview（预览版）仍停留在 4 月发布的初始预览版本。当 Pro 的正式版经过同样的后训练迭代后，两者的差距很可能会重新拉开。但这一事件已经充分证明：Post-Training（后训练）是解锁模型 Agentic（智能体）能力的关键，其重要性甚至可能超越模型规模的扩大。

最后更新时间：2026-08-11