DeepSeek-V4-Flash 性能超越 Pro，史上最大 GitHub 数据爬取及安全代码提示工程

DeepSeek 于 2026 年 8 月发布 V4-Flash-0731，这是 V4 系列小型模型的正式版，取代了 4 月的预览版。据 The Batch 报道，该模型在独立测试中超越了自家旗舰 V4-Pro，而这一切仅通过新一轮微调实现，架构和参数数量均未改变。这打破了“更大模型必然更强”的常规认知，凸显了微调在释放模型潜力中的关键作用。

性能提升的具体机制尚未完全公开。DeepSeek 仅表示性能提升主要来自微调，但未解释新微调与预览版的差异，也未披露训练数据与知识截止日期。这种信息不透明为外界评估其可复制性留下了不确定性。

V4-Flash 采用混合专家（MoE）架构，总参数 2840 亿，但每个 token 仅激活 130 亿参数，可选推测解码模块可将检查点增至 3040 亿参数。其注意力层交替使用两种压缩方案，分别将 4 个和 128 个 token 压缩为单一条目，从而在长输入下大幅降低计算和内存需求。

在完整输入长度下，V4-Flash 的计算量仅为 V3.2 的 10%，存储键值所需内存仅为 7%。这一架构优势直接转化为成本优势：API 定价为每百万输入 token 0.14 美元，缓存输入 0.0028 美元，输出 0.28 美元，远低于同类专有模型。

在 Artificial Analysis 的智能指数中，V4-Flash 获得 50 分，仅比 GPT-5.6 Luna 在最大推理设置下低 1 分。同时，它位于该评估机构的智能与每任务成本帕累托前沿，意味着没有其他被追踪模型能在更便宜的情况下提供同等或更高的智能。

模型支持推理模式（低、高、最大）和非推理模式，具备工具调用与上下文缓存功能。其权重以 MIT 许可免费提供，允许非商业和商业使用，这进一步降低了采用门槛，可能吸引开发者和企业。

DeepSeek 在超过 32 万亿 token 上预训练 V4-Flash，随后进行两阶段微调。第一阶段为每个领域（如数学、编码、智能体任务）构建专家模型，通过监督微调和基于组相对策略优化（GRPO）的强化学习训练。第二阶段使用在线策略蒸馏合并专家：合并模型生成响应，并根据所选专家的风格进行校正。

推理级别作为独立行为训练，应用不同的长度惩罚和上下文窗口。最大推理级别会预置系统提示，要求模型充分分解问题并测试边界条件。在工具调用任务中，模型保留整个推理历史，包括用户消息，以确保上下文连贯。

尽管性能亮眼，但关键细节未公开：新微调与预览版的差异、训练数据构成、知识截止日期均未披露。这限制了外部对模型能力边界的准确评估。

此外，性能数据来自 Artificial Analysis 的独立测试，但该评估的具体方法、测试集和误差范围未在来源中说明。因此，50 分与 GPT-5.6 Luna 的 1 分差距可能受测试条件影响，需谨慎解读。