刚刚，DeepSeek V4 Pro正式版发布，价格不变，目前已经可以通过 API 访问了。
单从模型卡来看，能力已经基本与 kimi-k3、Fable 5持平。比起这俩模型，V4 Pro简直就是地板价。
我连夜第一时间把它接进Codex，跑了4100万 Token，结论是：
它不适合作为 Codex 的主力模型。
跟大家分析五个感受。
◈一、沉浸式干活，全程不说话
这是跟 Flash 反差最大的一点。
上次测 V4 Flash，它干活的时候特别碎嘴，你能一直看到它在想什么、卡在哪里、下一步准备干什么。
V4 Pro 则完全相反，它闷头跑了十二三分钟命令，中间几乎不说一句人话。
从外部视角看，你不知道它在干嘛、卡没卡、还要多久。
在整个测试的数据里，它输出 token 里的思考占比是84.5%，话全咽肚子里了。
◈二、对上下文极度渴望，爱抄作业
它对上下文的渴望到了离谱的程度。
接进来之后，它会极力搜集其他 session 留下的痕迹，能抄现成答案的绝不自己做一遍。
我把之前考 Flash 的 3D FPS 联机游戏需求原封不动丢给它，想看它从零做一遍。
结果，2分25秒后它回我：「已经有一个现成实现，并且我把它跑起来了。」
它翻到了我测试 Flash 时写的 fps-arena 项目，直接把它启动起来就交差了。。
我不死心，还换session丢了一个交易策略回测任务。
结果，依旧是3分16秒就出了完整结论——「已重新跑了一遍本地回测引擎」。
这些结论全是上次测试 Flash 攒下的家底，它直接拿来复用了。
平心而论，从生产视角这是聪明的。但从测评视角这是灾难，你想考它本事，它老想抄同门的作业。
而且这个习惯让人隐隐不安，它要是复用了不该复用的旧结论，你还很难发现。
毕竟它连过程都不爱说。
◈三、前端能力低于预期
Flash 那次，我让模型做了 FPS 游戏、还做了数据监测的面板，当时的渲染效果是给过我惊喜的。
但 Pro 的前端反而拉了。
前端代码和内容渲染的完成度明显不如预期，效果肉眼可见地糙。
比如这里，我只是想渲染出我的压测数据，于是反复跟他交互了好几次，但最后也就只得到了这样的图。。
还有最经典的鹈鹕骑车，我调查了大家在不同 harness 的测试居然也都是效果不佳。
同价位比不占优，同门比也不占优，这个是真没想到。
◈四、写作能力低于预期
我拿同一个网文开头题喂给四个模型：社畜穿越成待废太子，用绩效考核整顿朝堂。
个人的体感结果是这样的：
Gemini 3.1 Pro > GPT-5.6 > DeepSeek V4-Pro > Gemini Flash
单看金句，DeepSeek 是有灵气的，但整篇读下来，展开薄，后劲不足。
存在很多莫名的环境描写，指令遵循也相对落后。
◈五、该夸的还是得夸，底子是真硬
做完这些测试，我还跑了一些V4-Pro 的基础测试。
结论是几乎挑不出毛病。
100 并发打满，0 失败 0 限流。
成功率 100%，总吞吐 52.3K tok/s，输出速度 4.6K tok/s，RPS 10.4。稳态缓存命中率 97.5%。
我这边真实账单也印证了，4139 万 token，其中 3972 万命中缓存，命中率约 96%。
不过，因为爱思考，Pro 的延迟体感比 Flash 重不少。主负载下 p50 （中位数延迟）就有4.9秒延迟，p99 （最慢那 1% 的耗时）到12.3秒。
价格方面，4139万 token，总计消费8块5。
对比一下Flash，一个小时一亿 token，8 块钱。
同样的钱，Pro 只能跑 Flash 一半不到的量。
虽然依然算非常便宜，但那种「敢让它随便试错」的心态，在 Pro 上会打点折扣。
◈总结
V4-Pro 是好模型，但不是好同事。
话少、爱抄近道、杂活（前端、写作）不出彩。至少，放在 Codex 里是这样。
不过，据说 DeepSeek harness 马上就要发布了，不知道在自家harness的表现会如何，还是可以继续期待一下的！
热门跟贴