DeepSeek V4 Pro 0813正式版发布概况

DeepSeek近期发布了V4 Flash模型（7月31日），而备受关注的V4 Pro通用版本（代号0813）也已悄然上线。尽管官方尚未在X平台发布正式公告，但通过模型标识符的跳转机制以及OpenRouter上的实时可用性，可以确认该版本已正式开放。此次更新的核心亮点在于其百万级上下文窗口（1M context window），且最大输出长度高达384K token。对于追求极致性能的用户而言，该模型支持可选择的思考模式（selectable thinking modes）。为了测试其最大潜力，本次评测中的所有编码任务均被设置为最高努力模式（maximum effort）运行。虽然DeepSeek历史上常伴随大量的“思考”过程，但通过调整设置可以适度缓解这一现象。

模型架构与基准测试预期数据

关于V4 Pro 0813的具体性能，目前主要依据流传自DeepSeek相关群组（如微信）的非官方照片和数据。据称，该模型在SWE-bench基准测试中的得分从预览版的12.8跃升至62.7。如果这一数据属实，它将超越Opus 4.8等模型，成为极具竞争力的开源权重模型。在架构方面，V4 Pro是一个拥有1.6万亿参数（1.6 trillion parameters）的混合专家模型（MoE），其中活跃参数量为490亿。虽然规模庞大，但相较于接近3万亿参数的模型（如Kimiko 3或Qwen 3.8 Max），其资源消耗仍相对可控。此前V4 Flash从预览版到7月31日通用版的性能飞跃令人印象深刻，若V4 Pro能保持类似的提升幅度，其地位将不可动摇。

API定价策略与评测环境配置

在成本方面，DeepSeek目前的API定价极低：每百万输入token为4.35美分（$0.0435），每百万输出token为87美分（$0.87）。尽管官方暗示未来价格将大幅上涨，但即便涨价5到10倍，其性价比依然具有竞争力。本次评测主要在Codex平台进行，因为此前测试V4 Flash通用版时在该环境下的表现优异。此外，评测者还验证了DeepSeek新推出的桌面版应用（Desktop App）的连通性，确认其能正常处理C++代码生成任务。所有提及GPT或Codex的测试，实际均通过路由直接调用DeepSeek V4 Pro 0813模型的最高推理努力模式。这种配置确保了测试结果的真实性和一致性，为后续的功能演示奠定了基础。

初步功能验证：桌面应用与文件管理

在具体的交互测试中，评测者首先检查了OpenAI Beta应用的默认设置问题，随后转向DeepSeek桌面应用的功能演示。该界面呈现出类似Quen 3.8的审美风格。测试内容包括基础的窗口管理操作，如调整大小、最小化/最大化以及右键菜单的响应速度。值得注意的是，应用底部显示了正确的本地日期和时间，并包含一个全息桌面功能（holographic desktop feature）。在文件管理测试中，应用采用了带有透明背景和合成波（synthwave）主题的设计。虽然当前的虚拟文件系统仅支持静态展示，但用户成功执行了创建新文件、删除新建文件以及移除默认文件的操作。这些基础功能的正常运作，初步验证了模型在系统级任务中的稳定性和可用性。

虚拟操作系统界面的交互体验

视频首先展示了DeepSeek V4 Pro生成的一个模拟计算机桌面环境，其目录结构具有一定的沉浸感。在测试过程中，作者尝试保存文本文件时发现文档目录似乎被删除，但系统记住了这一操作状态，显示出一定的上下文理解能力。尽管存在如文本框显示异常等小瑕疵，但neofetch命令的输出表现良好。作者特别注意到内存显示为1.44 MB，并调侃这相当于老式软盘的容量。在计算器测试中，模型正确计算了47 * 8376 / 6。设置界面中可见类似Qwen 3.8的风格，包括“Aurora”、“Sunset City”等主题选项。游戏难度分为简单、普通和困难，作者选择“简单”模式以避免因愤怒而中断测试。整体而言，界面功能基本可用，但缺乏令人惊艳的亮点。>

"Everything worked. Nothing really blew me away, but again that may be a limitation of the test and less of a limitation of the model."

小游戏与代码生成的初步评估

作者随后测试了内置的小游戏，发现需要按回车键启动而非点击按钮。以“City Heist”为例，虽然得分仅为100/1000且音效滑稽，但游戏逻辑能够运行。作者还注意到分数显示保留了过多小数位，认为四舍五入即可。此外，“Read Me”文件中提到的全息卡片效果类似于Apple Vision Pro的演示风格，增加了视觉趣味性。在成本方面，截至测试中期，两项任务（Skate游戏和浏览器OS）的总花费仅为20美分。经过68分钟24秒的运行，Skate NYC游戏生成完成。作者指出结果虽不如Qwen 3.8（后者拥有多800亿参数），但考虑到成本和时间，仍具参考价值。游戏画面中文字倒置、建筑立面倾斜等问题表明结果处于“麻烦”状态，但并非完全失败。>

"It's not quite as good as the Quen 3.8 model, but that [snorts] model does have 800 billion more parameters."

Skate NYC与Subway FPS的深度对比分析

视频重点展示了Skate NYC游戏的最终截图，作者批评其画面中树木形状怪异、文字方向错误，但对喷泉效果和游戏标题的 stylized 处理表示赞赏。为了直观展示进步，作者调用了DeepSeek V4预览版生成的C++滑板游戏代码作为对比。前代版本的结果极其糟糕，甚至需要专门展示以凸显差异。相比之下，V4 Pro生成的画面在结构和元素上有了显著的能力飞跃。随后进行的Subway FPS测试中，作者修改提示词以跳过脚本检查步骤，从而缩短调试时间。尽管模型在故障排除方面表现不佳，但生成的地铁站场景被作者称为“见过的最好的地铁车厢绘图”。虽然画面细节仍有不足，但整体视觉呈现已具备相当高的完成度，证明了模型在复杂场景生成上的巨大进步。>

"This is pretty bad. It was like so bad that I actually remember to go to this specific thing just to showcase it."

地铁逃生FPS场景生成：视觉细节与功能缺失的矛盾

视频首先测试了DeepSeek V4 Pro在创建3D场景方面的能力，目标是一个类似《求生之路》风格的地铁逃生第一人称射击（FPS）环境。初始生成的场景在视觉元素上表现尚可，包含了楼梯、灯光指示器、垃圾桶以及漂浮粒子等基础物件。然而，场景中存在明显的逻辑错误，例如无法通过楼梯向上移动，且整体氛围被评价为“干净但平淡”，缺乏令人惊艳的视觉冲击力。在引入FPS视角后，武器模型的手感被描述为“平滑”，且增加了弹壳掉落等细节特效。但核心问题在于场景中完全缺失了僵尸敌人。尽管用户多次反馈这一关键缺陷，模型在后续迭代中仍未解决。最终版本虽然调整了按钮布局并显示了“7名敌对目标”的UI提示，但用户在实际操作中无法定位任何敌人。鉴于多次修正无效且耗时较长，该任务被判定为失败。

RB26引擎3D建模：研究深度与可打印性的落差

第二个测试任务更具挑战性，要求生成一个RB26直列六缸发动机的3D模型。该模型需满足两个严格约束：能够以极少支撑进行3D打印，且必须能容纳一个N20微型直流电机（用于RC车项目）。DeepSeek V4 Pro耗时1小时10分钟完成了这一任务，其亮点在于详尽的研究过程。模型在生成前对排气歧管（downpipe）、进气侧、涡轮增压器位置等机械细节进行了大量资料检索和尺寸比对，甚至下载参考图片以评估资产大小。这种对原始提示中规格参数的严谨对待得到了认可，生成的渲染图在组装效果上表现良好。然而，当深入检查单个部件时，问题暴露无遗。涡轮部分存在方向错误，且大部分组件在任意角度下均无法实现免支撑打印。尽管部分带有“Nissan”标志的盖板设计较为合理，但整体结构因包含大量用于拼接的柱子和孔洞而变得复杂。

最终评估：渲染质量尚可，工程实用性不足

对于RB26引擎模型的综合评价呈现“冷热不均”的状态。从纯视觉渲染的角度来看，模型的组装效果 decent（不错），各部件间的拼接逻辑清晰。但作为3D打印项目，其可行性极低。油底壳等关键部件的设计导致无法免支撑打印，这违背了任务的核心约束。用户指出，虽然模型展现了极强的研究能力和尺寸把控意识，避免了“胡乱生成”，但其最终产出更像是一个复杂的渲染作品而非可制造的工程模型。相比之前收到的其他智能模型的测试结果，DeepSeek V4 Pro的表现并未带来突破性惊喜。尽管它在理解复杂机械结构和遵循特定尺寸限制方面表现出色，但在将设计转化为可打印的几何体这一关键环节上仍显不足。因此，对该任务的最终评价为“不温不火”（lukewarm），既未失望也未印象深刻。

前端设计测试：3D手表网站的生成质量与细节表现

在针对DeepSeek V4 Pro的前端设计能力测试中，模型被要求创建一个包含3D手表资产的网站，并实现电影般的平移效果。整个构建过程耗时 1小时30分钟，最终生成的网站在美学上达到了极高的水准。测试者指出，整体视觉效果 非常接近优秀，特别是木质背景、皮革垫子以及手表表盘的设计，呈现出一种高端的 低调奢华 风格。尽管存在一个明显的瑕疵——表带似乎从3D模型中异常伸出，但这并未完全破坏整体的沉浸感。手表本身是真正的 3D渲染 而非2D图片，且具备缓慢的平移动画效果。

"Beautiful watch front-end website. That's actually it's so close to excellent."（美丽的网站前端，这真的非常接近完美。）

在细节处理上，模型展现了令人印象深刻的材质表现力。测试者特别赞赏了表盘上的 多材料应用，例如数字指示器并非单一材质，而是结合了金色/银色与黑色填充物。不锈钢表壳呈现出细腻的 拉丝质感，而金质选项则具有相应的金属光泽。虽然手表指针没有动态走动功能，但静态渲染的精度足以证明其在3D资产整合方面的能力。此外，网站底部的导航栏设计简洁干净，整体交互流畅，向下滚动时皮革垫子的视觉效果会自然退去，显示出良好的UI/UX设计逻辑。

游戏开发测试：《Steve the PC Repairman》的叙事与交互体验

第二个更具挑战性的任务是利用OpenAI API生成一款名为《Steve the PC Repairman》的电影化游戏，包括角色语音和可玩性。该任务在后台运行了 65分钟 完成。游戏的第一集《Azure Palm Job》开场通过旁白介绍了主角Steve，一位为老年客户维修电脑的技术员。叙事风格幽默且带有怀旧色彩，涉及时间旅行、燕麦饼干等荒诞元素。测试者对 语音合成 的质量表示认可，认为其能够清晰地区分不同角色的对话。然而，音频处理存在明显缺陷，部分音效和背景音乐显得混乱或不协调。

"Aside from the sounds being just totally messed up, this is actually pretty decent."（除了声音完全乱套之外，这实际上相当不错。）

在游戏机制方面，玩家需要在Azure Palm Resort场景中探索，寻找手提箱并解决谜题。游戏允许自由移动和物品交互（如使用Zip ties），但存在明显的 几何错误，例如角色模型与环境的碰撞检测问题。场景设计具有一定的复杂性，包括前台登记、电梯前往17楼等步骤。尽管存在技术瑕疵，如场景布局的突兀（Steve的工作间出现在飞机场景中），但游戏成功构建了一个完整的 叙事框架 和基本的探索玩法，证明了模型在生成复杂交互式内容方面的潜力。

游戏生成测试：从预期到惊喜

Steve Colter，一位经营电脑维修业务的专家，对DeepSeek V4 Pro（0813版本）进行了全面测试。他首先尝试了一个包含“地铁场景游戏”和复杂叙事的综合任务，尽管整体拼图效果未完全达到预期盒面所示的完美程度，但各个独立元素的表现均超出预期。Colter指出，该模型在处理复杂场景时展现了令人惊讶的能力："This did a better job than I expected, especially considering like the subway scene game and things like that." 这种超出预期的表现让他对模型的整体能力持保留但积极的态度，认为其虽然未完美还原所有细节，但在关键组件上已具备相当高的完成度。

街景互动游戏：卡通风格与物理反馈

在更具挑战性的“Street Yeet”（街景吞噬）游戏中，Colter测试了模型在无视觉辅助下生成可玩代码的能力。尽管初始静态文本与动态滚动的不协调让他感到不适，但生成的游戏最终呈现出良好的卡通风格和街机手感。Colter评价道："The cartoonness of this game is actually kind of well done... the pacing is decent." 游戏机制包括连击乘数（combo multipliers）和物体碰撞反弹，例如角色吃掉物品后会在建筑间弹跳并击中其他目标。这种环境交互逻辑的完整性使得游戏具备可玩性，Colter总结认为："Overall, Street Eat here is a success." 尽管存在部分物体方向错误（如移动时横向偏移）等瑕疵，但核心玩法逻辑清晰。

模型对比与过度推理的痛点

Colter将V4 Pro与此前的预览版及Flash版本进行对比，指出0813版本是显著改进。他特别赞赏了“Cinematic Steve”游戏中角色头部自然摆动而非怪异下巴动作的细节，以及音乐与场景的高度契合。然而，他指出了该模型的一个主要缺陷：过度推理（Over-reasoning）导致效率低下。由于缺乏视觉反馈，模型倾向于通过启动无头浏览器、截图甚至生成热力图来验证代码正确性。Colter批评这种机制："It just goes all out when trying to actually ensure that every aspect of every line of code it made is correct." 这种Token消耗巨大且耗时过长的策略，使得简单任务变得复杂。他更倾向于让模型直接输出脚本，由人类测试后反馈错误再迭代，而非模型自行进行冗长的自我检查流程。

测试总成本与价格预期分析

在本次针对 DeepSeek-V4-Pro (0813 通用发布版) 的完整测试中，所有费用的总计仅为 $1.91。这一成本数据直观地展示了当前模型在推理费用上的极低门槛。尽管官方已明确表示 API 价格将经历显著上涨（significant increase），但即便按照较为保守的估算，例如总费用增加至 $8 左右，其性价比依然处于合理区间。作者强调，虽然价格会上调，但即便涨价幅度达到 五倍，整体成本依然不算高昂。这一结论基于一个核心事实：此次测试的整体花费非常低廉（very, very, very cheap），且这种低价状态可能不会长期维持。相比之下，此前进行的 Qwen 3.8 Max 测试视频花费约为 $32，虽然该模型可能在性能上略胜一筹，但用户必须在性能提升与价格考量之间做出权衡。因此，DeepSeek V4 Pro 在成本控制方面具有显著优势。

模型发布动态与后续评测计划

本次测试标志着 DeepSeek-V4-Pro 正式脱离预览阶段（out of preview），进入通用可用性状态。作者指出，近期模型发布节奏异常密集，堪称繁忙的一周（busy week）。在结束对 DeepSeek 的初步评测后，作者计划立即着手测试同日发布的 Grok 4.6。此外，预计周五将推出 Qwen 3.8-27B 版本，这也将是后续评测的重点对象。作者还特别提到了对 Muse Spark 1.2 的期待，尽管目前尚不清楚该模型的具体参数量大小（how big it is），但作者非常兴奋能够尝试在本地环境中运行该模型。这种对新技术的持续探索热情，也反映了当前开源与闭源大模型领域激烈的竞争态势。对于观众提出的任何问题，作者均表示欢迎在评论区留言交流。

关键原话引用

"We can see right here that all cost $1.91... significant increase might be like, 'Okay, the entirety of this test was $8 or something.'"

"The Qwen 3.8 max test video that we did a few weeks ago or like a week or two ago, that was about $32."

"Suppose that's going to conclude our first look and test of the 0813 DeepSeek-V4-Pro model, the general availability version and this is now out of preview"

结论

DeepSeek V4 Pro (0813) 在代码生成、前端设计及复杂叙事构建上展现出显著优于前代的性能，尤其在视觉渲染与逻辑完整性方面令人印象深刻。其百万级上下文窗口支持长任务处理，且API定价极具竞争力（总测试成本仅$1.91）。然而，模型存在明显短板：在3D工程建模中缺乏可打印性约束意识；在游戏开发等长链路任务中存在严重的“过度推理”现象，导致Token消耗巨大且耗时过长；部分物理交互与细节处理仍存瑕疵。总体而言，该模型在创意编程领域表现卓越且成本低廉，但在需要高精度工程落地或追求极致效率的场景中仍有优化空间。