DeepSeek V4 正式版发布，Responses API 完美适配Codex
大家好，我是二哥呀。
就在今天，DeepSeek 更新了 API 文档，V4-Flash 正式版上线公测。
DeepSeek-V4-Flash-0731 的模型结构、尺寸和 DeepSeek-V4-Flash-Preview 保持一致，仅重新进行了后训练。
结构没改，尺寸没改，还是 284B 总参数、13B 激活参数。但 Agent 能力大幅增强，基准测试远超 V4-Pro-Preview。
01、这次到底改了什么
本次仅升级了 DeepSeek-V4-Flash 的 API 接口，DeepSeek-V4-Pro API 及 APP/WEB 端模型未做更改。
这里需要解释一下预训练和后训练的分工。
预训练是模型读遍互联网学到的东西，世界知识、语言规律、代码语法都在这个阶段进去。后训练是在这个基础上教模型怎么做事，包括监督微调和强化学习，教的内容是行为模式——收到一个任务先干什么、什么时候该调工具、工具报错了怎么办、什么情况下可以宣布完成。
预训练决定模型知道多少，后训练决定模型会不会干活。
这次 Flash 正式版改的是后半截。
02、13B 激活凭什么超过 49B
为什么只改后训练，Agent 基准能超过激活参数大自己四倍的 Pro 预览版？
大家可以回想一下自己用 Agent 的过程。给它一个任务，比如说把这个模块的报错查出来修掉，它需要做的事情是这样几步。
先判断该看哪些文件，然后调用读文件的工具，读完之后从一堆输出里挑出有用的部分，判断信息够不够，不够就再读，够了就动手改，改完跑一遍测试，测试没过就回到上一步重来，测试过了才停下来。
这一整套流程里，需要世界知识的环节其实很少。
真正决定成败的是别的东西。工具选得对不对、参数填得全不全、工具返回一大堆内容时能不能挑出关键那几行、失败之后会不会换个方式重试而不是在原地反复撞、以及最要命的一点，知不知道什么时候该停。
这些全是行为模式，全在后训练里。
Agent 干活的时候，需要的信息大多来自它自己读到的文件和工具返回的结果，而不是模型脑子里存的东西。
在 Agent 场景里，激活参数的边际收益比在问答场景里低得多。
一是选模型的时候别只看参数规模，跑 Agent 类任务，同一家的小模型和大模型差距可能比参数比例暗示的小很多，价格差距却是实打实的。
二是自己的 Agent 跑不稳的时候，先别急着换更大的模型。按上面那条流程逐环节看，工具描述有没有写清楚、失败有没有重试、上下文有没有及时截断，这些环节的收益往往比换模型大。
03、跑个分
这次更新日志给了九项基准分数。我先把它们完整列出来。
| 基准 | 分数 |
|---|---|
| Terminal Bench 2.1 | 82.7 |
| Cybergym | 76.7 |
| Toolathlon verified | 70.3 |
| DSBench-FullStack | 68.7 |
| DSBench-Hard | 59.6 |
| DeepSWE | 54.4 |
| NL2Repo | 54.2 |
| Agent Last Exam | 25.2 |
| Automation Bench (Public) | 25.1 |
九项基准大致能归成三类。
终端与软件工程类，包括 Terminal Bench 2.1、DeepSWE、NL2Repo，考的是在终端环境和真实代码仓库里完成开发任务。工具调用与自动化类，包括 Toolathlon verified、Automation Bench、Agent Last Exam，考的是多工具协作和长流程任务。全栈开发类，就是 DSBench 那两项，官方标注了这是内部测试集。
分数其实是次要的，因为它随着测试条件浮动，条件不说清楚，分数就没法比。
官方写的测试配置是这样的，公开基准测试使用 DeepSeek Harness 极简模式。
Harness 这个词得解释一下。它指的是模型外面套的那层脚手架，Claude Code 之所以好用，不只是因为它把提示词转发给模型，而是它在中间加了任务拆解、文件读写、终端操作、自动纠错这些能力。这层能力就是 Harness。
同一个模型，套在不同的 Harness 里，表现可以差出一大截。
反过来说，同一个 Harness 换不同的底层模型，也能直观看出模型之间的差距。这是我们平时判断模型能力的常用方法。
所以跑基准的时候用什么 Harness，直接决定了分数里有多少是模型的功劳、有多少是脚手架的功劳。一个足够聪明的 Harness 可以帮模型兜住很多问题——模型忘了重试，Harness 帮它重试；模型输出格式错了，Harness 帮它修。
我的推断是，用极简 Harness 报分数，说明 DeepSeek 想强调这些成绩主要由模型自身能力贡献，而不是靠外层框架兜出来的。
平时看到某个模型的基准分数很漂亮，接到自己项目里却达不到那个水平，很常见的原因就是人家跑分用的 Harness 比我们自己搭的那套强得多。
而极简 Harness 跑出来的分数，落差通常会小一些。
04、原生支持 Responses API
这次更新里还有一条，我认为更值得关注。
正式版 V4-Flash 原生支持 Responses API 格式并针对性适配 Codex。
要说清楚这条为什么重要，得先说清楚 Responses API 和我们熟悉的那套接口差在哪。
大家平时调大模型用的基本都是 Chat Completions 格式，一个 messages 数组丢过去，模型返回一段内容。这套接口是无状态的，每一轮对话我们都得把之前的全部历史重新拼进 messages 里再发一次。
Responses API 是 OpenAI 后来推出的另一套接口格式，两个关键差别。
第一是它可以是有状态的，服务端记得上一轮的响应，下一轮可以直接引用响应 ID 接着往下走，不用每轮都把历史全量重传。
第二是它对推理过程和工具调用有专门的结构化表达。模型的思考过程、工具调用请求、工具返回结果，在这套格式里是各自独立的条目，而不是全都压成一段文本塞进 messages 里。
第二点对 Agent 特别关键。
因为一个 Agent 跑长任务的时候，模型的推理过程需要在多轮之间传下去。这一轮它想明白了「这个报错的根因在配置文件」，下一轮它应该记得这个判断，而不是从零重新推一遍。
用 Chat Completions 传递这种信息，中间层需要把推理过程序列化成文本再塞回去，过程中容易丢失。
所以现在的终端 Agent 工具，Codex 走的就是 Responses API 这套协议。
如果一个模型只提供 Chat Completions 接口，想接到 Codex 上就得在中间加一层协议转换，把 Responses 格式的请求翻译成 Chat Completions，再把返回结果翻译回去。这层转换写起来不难，麻烦在于它是有损的，推理过程和工具调用的结构化信息在转换里很容易被压扁。
原生支持意味着这层转换不需要了。
再加上官方说的针对性适配 Codex，我的理解是不只协议格式对得上，模型在后训练阶段还专门练过 Codex 那套工具约定和交互习惯。
05、价格表和峰谷定价
单位为元每百万 tokens。
| 项目 | V4-Flash | V4-Pro |
|---|---|---|
| 上下文长度 | 1M | 1M |
| 最大输出 | 384K | 384K |
| 输入（缓存命中） | 0.02 | 0.025 |
| 输入（缓存未命中） | 1 | 3 |
| 输出 | 2 | 6 |
| 并发限制 | 2500 | 500 |
这张表里我认为最该盯的是缓存命中那一行，0.02 元每百万 tokens。
和缓存未命中的 1 元比，差了五十倍。
为什么这一行对 Agent 场景格外重要？因为 Agent 干活的时候，每一轮请求里都有很大一块内容是重复的——系统提示词、工具定义、项目结构说明、之前几轮的对话历史。这些内容在一次任务的几十轮请求里会被反复传送。
如果这部分能命中缓存，实际账单和不命中的情况能差出一个量级。
最后是这次要留意的新规则，峰谷定价。
官方定价页写的是高峰时段价格为平时价格的 2 倍，时段为北京时间每日 9:00 到 12:00 和 14:00 到 18:00。
这两个时段正好是大家上班的时候。
06、怎么接进来
按官方文档，DeepSeek 的接口兼容 OpenAI 格式，Base URL 是 https://api.deepseek.com，模型名填 deepseek-v4-flash 就是这次的正式版。API Key 在 DeepSeek 开放平台申请。
所以凡是支持自定义 OpenAI 兼容接口的工具，配置方式都是一样的三件套，Base URL、API Key、model 名称。
Codex 这边因为有原生 Responses API 支持，配置的时候可以直接指向 DeepSeek 的接口，不需要中间层做协议转换。
ending
V4-Flash 正式版的骨架和四月预览版完全一样，变化全部来自重做的后训练，而 Agent 能力提升主要就来自这一层——这件事本身在提醒我们，Agent 跑得好不好，模型有多大不是唯一变量。
原生支持 Responses API 并适配 Codex。它意味着一个价格便宜、并发给到 2500 的模型，可以直接插进主流 Agent 工具里，中间不用垫一层协议转换。
打开自己 Agent 项目的请求日志，看一眼系统提示词和工具定义有没有稳定待在请求前缀里。
Pro 正式版，我们等着。
下期见。