302.AI 基准实验室丨打破"轻量版"标签，DeepSeek-V4-Flash 实测：低成本挑战顶级 Agent

文章导读

DeepSeek-V4-Flash 正式版上线！后训练让 Agent 与编程能力飙升，综合能力超过 V4 Pro。百万 Token 输入仅 1 元的"地板价"彻底刷新 Agent 门槛。

五个升级重点

1. Agent 能力全面飙升：针对 Agent 场景大量后训练优化，复杂任务拆解、工具调用、代码执行明显提升；官方成绩单全面碾压 4 月发布的 V4-Pro-Preview，Agent Last Exam 上 25.2 vs 25.7，逼近 Opus 4.8 水平

2. 原生支持 Responses API，适配 Codex 工作流：不用改 base_url 即可接入 Codex CLI、VS Code 插件或 ChatGPT 桌面端，官方提供 macOS/Linux 和 Windows 一键配置脚本

3. 价格屠夫：百万 tokens 输入（缓存未命中）1 元、输出 2 元、缓存命中输入 0.02 元，每一项都比 GPT-5.6 Luna 更低

4. Pro 版正在路上：本次升级只针对 Flash API，App 和 Web 端暂时不变

5. 在 Artificial Analysis 榜单中排名 21 位

测评方法

• 使用 302.AI 收录的题库独立测试：逻辑与数学（10 题）、人类直觉（7 题）、编程模拟（12 题）

• 所有模型在 302.AI Studio 客户端使用统一提示词，取第一次生成结果

• 评分：满分 10 分，按对应扣分标准取平均；等级 S/A/B/C

代表性案例

案例 1：复杂逻辑推理（找符合自描述条件的 10 位数）

• DeepSeek-V4-Flash 推理正确，唯一解 6210001000

• Claude Opus 4.8 基本逻辑自洽但推理结果未贴合题意

案例 2：程序化 SVG 图形生成（袋鼠沙漠跳跃、F1 赛车动态图）

• V4-Flash 在图形构成复杂度上略优于 Opus 4.8，动态实现质量比较单薄

测评结论

• Benchmark 成绩不等于实际场景体验，Agent 任务涉及规划、执行、纠错等环节

• 本评测侧重逻辑、数学、编程、多模态、人类直觉等问题的测试，非专业前沿领域权威测试，旨在观察模型进化趋势、提供选型参考