最强之外，还有一个更重要的位置
Artificial Analysis 最新的成本与能力图上，DeepSeek V4 Flash 0731 落在一个很特别的位置。它的 Intelligence Index 得分是 50，比今年 4 月发布的旧版提高了 10 分，与 Gemini 3.6 Flash 同分，比当时的 DeepSeek V4 Pro 高 6 分。它仍然落后于 Kimi K3 等更强的模型，却已经进入 Artificial Analysis 所说的成本与能力 Pareto frontier，也就是在同等能力附近，很难再找到成本更低的选择。
更显眼的是费用。Reuters 援引 Artificial Analysis 的测算称，V4 Flash 完成一项 Intelligence Index 评测任务，平均调用成本约为 0.03 美元。Kimi K3 是 0.86 美元，GPT-5.6 Sol 是 1.86 美元，Claude Fable 5 是 3.15 美元。Artificial Analysis 的原始评测和 Reuters 的报道都把这个差距放到了很醒目的位置。
这里的 0.03 美元不能理解成任何真实工作都只花三美分。Artificial Analysis 先运行整套评测，再用总成本除以任务数，得到一个标准化平均值。代码仓库的大小、上下文长度、调用工具的次数和模型输出的篇幅，都会让实际账单发生很大变化。Intelligence Index 的 50 分也不是百分制能力，更不表示模型能完成一半真实工作。它是九项评测的加权结果。
这些限制没有削弱这张图的意义。V4 Flash 没有登上能力榜首，却可能成为许多任务首先被调用的模型。榜首属于少数最难的问题，默认位置决定日常的大部分调用量。
便宜到不必节省，AI 的使用方式就变了
聊天机器人的成本很容易理解。用户问一次，模型回答一次，这轮交互就结束了。回答贵几倍，只要使用频率不高，个人感受未必明显。
Agent 的工作方式不同。它需要读文件、搜索资料、修改代码、运行命令、检查结果，发现失败后再回去调整。有些任务会连续执行几十轮工具调用，模型每走一步都要重新读取一部分上下文，还会产生新的中间结果。几个 Agent 并行工作，Token 消耗还会继续增加。
这时，模型价格不再只是订阅套餐上的数字，而是每项工作的生产成本。一个模型偶尔回答得更好，并不代表它适合在后台连续运行几个小时。任务一旦变长，价格会决定能否保留更多上下文、能否允许模型多试几次、能否同时启动多个执行者，也会决定许多小事是否值得自动化。
当一次尝试足够便宜，使用者不会再把 Token 当成稀缺资源。原来只舍得让模型检查最关键的文件，现在可以扫描整个项目；原来失败一次就需要人工接手，现在可以先让它自行检查和重试；原来不值得专门写脚本处理的资料整理、测试补全和后台巡检，也可能被交给常驻 Agent。
价格下降会在原有用量之外释放新的调用。用户开始关心每一美元能够完成多少工作，单看每百万 Token 的标价已经不够。便宜模型如果需要输出更多内容、反复走错路径，最后仍可能比单价更高的模型昂贵。实际比较还要看完成率、总耗时、重试次数和人工介入的程度。
成为默认模型，比登顶排行榜更有影响力
模型市场的两端仍然有清楚的位置。体量更小的模型价格低、速度快，适合分类、提取、格式转换和简单路由。最强的旗舰模型负责难题、高失败成本工作和最终复核，几分能力差距在这些场景里可能决定任务是否完成。
V4 Flash 争夺的是中间那一大块日常执行工作。它的能力已经进入可以承担代码与 Agent 任务的范围，价格又低到足以长期运行。只比它强一点、价格却高出数十倍的模型，会越来越难保住默认调用位置。它们需要稳定解决 V4 Flash 做不好的任务，或者在多模态、可靠性、合规和服务能力上给出明确价值。
截至 2026 年 8 月 5 日，DeepSeek 第一方 API 对 V4 Flash 的价格是每百万输入 Token 0.14 美元，输出 Token 0.28 美元，缓存命中的输入只需 0.0028 美元。它支持 1M 上下文、工具调用和 Responses API。DeepSeek 官方价格页已经把 0731 设为 deepseek-v4-flash 对应的模型版本。
Responses API 这项支持很重要。许多 Agent 工具已经围绕这种接口组织工具调用和多轮交互。兼容同一种接口，开发者更换底层模型时需要改动的部分会少很多。价格优势因此不只停留在比较表里，它可以进入现有的 Agent 工作流，直接竞争默认调用量。
成为默认，并不会让市场只剩一家。它更像操作系统里的默认浏览器，或者软件里的默认搜索引擎。大量用户不会每次重新比较所有选项，开发者也不会为每个普通任务手动挑模型。谁先进入默认配置，谁就可能获得最大的调用量和最多的真实使用反馈。旗舰模型仍然存在，但调用方式会从全程使用，变成在必要环节升级使用。
它为什么又便宜又能干活
V4 Flash 有 2840 亿总参数，每次生成 Token 时实际激活约 130 亿参数。这个设计叫混合专家模型，也就是 MoE。可以把它理解成一个很大的专家库，每次处理问题时只叫少数相关专家上班。模型保留较大的知识容量，推理时不用让所有参数同时参与计算。
它还使用了针对超长上下文设计的混合注意力。普通模型处理很长的材料时，需要在大量历史内容上反复计算。V4 的做法更像先压缩材料，再选择重点，同时保留一条覆盖全局的通道。读者不需要记住 CSA、HCA 这些缩写，只要知道它在减少模型阅读长材料时付出的计算量和缓存空间。
0731 版本还带有 DSpark 推测解码模块。它会先猜接下来可能出现的几个 Token，再由主模型批量核对。猜对的部分可以直接采用，减少逐字等待的时间。这个机制主要提高生成速度，不会把一个不会解决的问题变成会解决。
更大的能力提升来自后训练。DeepSeek 在模型卡里说明，0731 与预览版保持相同的模型结构，重点加强了代码和 Agent 能力。预训练像是让模型读完大量知识，后训练则让它练习怎样把这些知识用于具体任务，包括选择工具、填写参数、根据执行结果继续工作，以及在任务没有完成时不要过早停下。
模型之外还有 Harness。这个词听起来很技术化，可以把它理解成 Agent 的工作台。工作台把文件、终端、搜索、测试结果和任务状态交给模型，也规定模型怎样调用这些工具、怎样收到反馈、什么时候继续、什么时候结束。同一个模型换一套工作台，表现可能差很多。
2026 年发布的 SWE-Bench Mobile 测试了 22 种模型与 Agent 组合。研究者发现，同一个模型放进不同 Agent，任务成功率最多相差 6 倍；即使是最佳组合，在那套接近真实移动开发的任务上也只有 12% 成功率。SWE-Bench Mobile 给出的提醒很直接：最终完成工作的能力，来自模型、工具和执行环境的配合。
DeepSeek 公布的部分代码 Agent 成绩使用了尚未发布的 DeepSeek Harness minimal mode，并开启 max reasoning effort。Artificial Analysis 的独立评测则使用自己的统一环境。两组结果不能直接拼在一张表里，不过 Artificial Analysis 同样测到 0731 相比旧版大幅提升：GDPval-AA v2 的 Elo 从 1189 升到 1559，Terminal-Bench 2.1 上升 17 个百分点至 79%。这为后训练后的进步提供了第三方证据，也说明不能把所有成绩都归到 DeepSeek 自己的工作台上。
开放权重，把默认调用位带回本地
DeepSeek 已经在 Hugging Face 发布 V4 Flash 0731 的模型权重，许可证是 MIT。官方页面提供 vLLM、SGLang 和本地运行说明，也允许社区继续转换格式和制作量化版本。DeepSeek-V4-Flash-0731 模型页显示，它已经拥有数十种社区量化版本。
对本地友好需要有比较对象。官方给出的高性能服务示例使用一台配备 4 张 GB300 的服务器，完整模型并不是普通个人电脑可以轻松运行的 13B 模型。130 亿只是每次推理激活的参数量，完整的 2840 亿参数仍然需要存储和调度。
社区正在降低这道门槛。DwarfStar 4 针对高内存 Mac、CUDA 和 ROCm 设备开发本地推理引擎，把大量较少同时工作的专家权重压缩到很低的位数，同时给更敏感的部分保留较高精度。该项目推荐 96GB 到 128GB 统一内存的 Apple Silicon 设备运行 q2-imatrix 版本。项目公布的 M5 Max 128GB 测试中，不同上下文条件下的生成速度约为每秒 25.9 到 34.3 个 Token。DwarfStar 4 的项目资料也提供了连接 Codex、Claude Code 和 OpenCode 的本地接口。
这些是社区项目自测，不等于官方 API 的完整精度，也没有证明量化版本能够复现所有 Agent 成绩。96GB 到 128GB 统一内存仍然属于高端个人设备，16GB 或 32GB 电脑不在这个范围内。V4 Flash 相比同等级、同规模的前沿模型更容易进入个人工作站，但还不能在任何消费级电脑上运行。
本地运行提供的主要价值是控制权。模型可以离线工作，敏感代码和文档不必发送到外部服务器，不受公共 API 的并发限制，开发者还可以控制模型版本、运行环境和更新节奏。DeepSeek API 本身已经很便宜，只为省钱购买高内存设备，再承担电费、维护和量化调试，对多数个人用户未必划算。本地部署更适合重视隐私、离线能力、持续高负载或底层控制的用户。
开放权重和低价 API 同时存在，给了使用者两条路。普通任务可以直接走云端服务，需要数据留在本地的工作可以交给个人设备。两边使用相同模型家族和接近的接口，Agent 更容易根据任务切换执行位置。
模型路由会接替单一排行榜
当不同模型的价格相差数十倍，给所有任务固定使用同一个模型会越来越不经济。更实际的结构是让低成本模型处理大部分日常工作，遇到失败、低置信度或高风险任务时，再升级到更强模型。复核也可以单独交给旗舰模型，而不是让它承担从读取文件到整理格式的全部过程。
这种做法通常叫模型路由。RouteLLM 使用偏好数据训练一个路由器，在强弱模型之间动态选择。论文报告称，在部分评测条件下，它能把成本降低超过一半，同时保持回答质量。RouteLLM 的结论并不针对 V4 Flash，但它说明模型选择本身可以成为系统能力。
更早的 FrugalGPT 研究了另一种做法：先调用便宜模型，结果不够好时再交给更强模型。研究者在当时的实验中，曾以最高 98% 的成本下降匹配最佳单模型的表现，或者在同等成本下提高准确率。FrugalGPT 的数字不能直接套用到今天的 Agent 任务，不过模型级联的思路已经很清楚。
模型路由需要专门设计，但起点不一定是训练一个新的 Router 模型。规则已经可以处理很多情况。涉及敏感文件时强制使用本地模型，需要图像能力时切换到多模态模型，测试连续失败两次后升级到旗舰模型，高风险任务则从一开始就交给更强模型。调用量足够大、积累了任务类型、完成率、费用、耗时和人工返工等数据以后，再训练 Router 才有可靠基础。
Router 和 Harness 也不是同一个东西。Harness 是 Agent 的工作台，负责上下文、工具、权限、任务状态、测试和重试；Router 只负责决定这一步由哪个模型执行。Router 可以成为 Harness 里的一个模块，也可以放在外部的 Model Gateway，也就是统一的模型入口。
两种位置能看到的信息不同。外部 Gateway 通常能看到请求长度、价格、模型是否在线和上下文限制，适合做价格分流、故障切换和供应商选择。接入 Harness 的 Router 还能看到测试是否通过、工具是否报错、任务失败了几次、文件能不能离开本地，因此更适合任务级的动态切换。判断依据最好来自这些可观察结果，不能只问模型自己有没有信心。
RouteLLM 和 FrugalGPT 支持模型路由与级联的可行性，SWE-Bench Mobile 则说明 Agent 的工作环境会显著影响同一模型的表现。它们都没有直接规定 Router 必须放在 Cursor、Codex 或其他 Agent 软件内部。任务级 Router 适合接入 Harness，是根据系统掌握的信息作出的工程判断，也不能据此认定 Cursor 或 Codex 目前已经采用这种自动路由架构。
V4 Flash 让这套结构更有吸引力。它既可以通过极低价格的第一方 API 承担大量调用，也可以在高内存个人设备上本地运行。旗舰模型则处理它反复失败的任务，或者负责最终审核。系统需要记录每种任务的完成率、总费用和人工返工，路由规则才能从经验判断变成实际数据。
Agent 产品以后要决定什么时候用本地模型，什么时候走云端，什么时候升级到旗舰模型，失败多少次以后停止，以及哪些数据不能离开设备。默认模型获得最大的工作量，旗舰模型获得最难、最贵的例外任务。
低价有明确的使用边界
Artificial Analysis 的 Intelligence Index v4.1 包含九项评测，其中 Agent 占 34%，Coding 占 24%，科学推理占 24%，通用能力占 18%。这套评测是英语、纯文本环境，不覆盖中文表现、图像输入、语音、多模态交互和所有企业合规需求。Artificial Analysis 的方法说明也明确提醒，综合指标未必适用于每一种具体场景。
V4 Flash 的 50 分与强模型仍有距离。它比 Kimi K3 低 7 分，更高端的 OpenAI 和 Anthropic 模型领先更多。在高难度架构设计、复杂研究、多模态任务或高失败损失工作中，这些差距可能比调用价格更重要。
一些分项结果也需要谨慎解释。Artificial Analysis 发现，0731 在 AA-Omniscience 上的进步完全来自幻觉减少，整体准确率仍为 37%，幻觉率从旧版下降后仍有 84%。这里的幻觉率是该评测的特定定义，不能直接当成所有回答的错误概率，但它足以说明综合得分上升不代表可靠性问题已经解决。
价格同样会变化。DeepSeek 官方价格页已经预告，未来可能在北京时间的高峰时段按常规价格的两倍收费，具体生效时间等待公告。0.0028 美元的输入价还依赖缓存命中，如果任务每次都带入不同上下文，实际成本会更接近缓存未命中的价格。第三方服务商对 reasoning effort、工具调用和上下文的支持也可能与第一方 API 不同。
判断一个模型能否成为默认选择，最好直接用自己的任务测。需要记录一次任务最终有没有完成、用了多少 Token、花了多长时间、重试了几次、人工改了多少，以及失败会造成什么后果。模型在公开榜单上便宜几十倍，不保证它在每一种内部流程里都有相同比例的优势。
当 AI 从助手变成基础设施
V4 Flash 0731 没有解决所有问题。它把已经相当高的 Agent 能力压到很低的调用价格，又用开放权重把同一模型带到本地工作站。这两件事放在一起，改变了使用 AI 时的基本计算。
过去，使用者需要决定某个问题值不值得调用 AI。价格继续下降后，越来越多任务会默认包含模型调用。Agent 可以留在后台整理资料、检查代码、运行测试和处理重复工作，遇到难题再请求更强模型。AI 不再只等人发问，它会成为软件工作流中的常驻执行层。
最强模型仍然重要，但高价会要求更清楚的理由。它需要证明多出来的能力可以减少失败、缩短时间或避免昂贵错误。V4 Flash 这样的模型则要证明，它在大量普通任务上足够稳定，低价和本地运行没有被返工成本抵消。
下一阶段的模型竞争还要看每一美元能完成多少工作。更大的调用量会流向那个足够好、足够便宜、接入方便，又能在需要时留在本地的模型。占据默认调用位，也就更接近 AI 日常工作的底层。