Dos conjuntos de datos: resultados oficiales publicados por DeepSeek; comparación cruzada de terceros (blog oficial de Z.ai, 2026-08-14). Ambos pueden reproducirse a partir de los pesos abiertos bajo MIT.
| Benchmarks | Modelos | Resultados | Notas |
|---|---|---|---|
| DeepSWE v1.1 (Pass@1) | V4.1-Flash-1017 | 77.0% | Promedio por tarea de aproximadamente $0.20; nivel bajo: 72%+ @ $0.10; la generación anterior V4.1-Flash era 74.2% @ $0.50 |
| SWE-Bench Verified | V4-Pro | 80.6% | Corrección de problemas a nivel de repositorio real |
| LiveCodeBench | V4-Pro | 93.5% | Programación a nivel competitivo en tiempo real |
| Terminal-Bench 2.0 | V4-Pro | 67.9% | Agente de terminal |
| Codeforces | V4-Pro | 3,206 | Rating de programación competitiva |
| Putnam-200 (Pass@8) | V4-Flash | 81.0% | Competiciones matemáticas |
| SWE-Bench Verified | V4-Flash | 79.0% | A 1.6pt del modelo insignia, con un precio de aproximadamente 1/4 |
Fuente: página de lanzamiento oficial de DeepSeek y documentación de la API (V4 Preview 2026-04-24, V4.1-Flash 2026-09-10, 1017 2026-10-17).
Resultados comparativos publicados oficialmente en el lanzamiento de GLM-5.3; la columna de DeepSeek-V4-Pro está resaltada. En ese mismo período, GPT-5.6 Sol era el más fuerte de la comparación, mientras que V4-Pro se mantenía en la primera línea del ecosistema open source.
| Benchmark | GLM-5.3 | Kimi K3 | DeepSeek-V4-Pro | Opus 4.8 | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 88.2 | 88.3 | 87.9 | 85.0 | 88.8 |
| DeepSWE v1.1 | 66.9 | 67.5 | 62.7 | 58.0 | 72.7 |
| NL2Repo | 58.0 | 58.0 | 61.1 | 69.7 | — |
| CyberGym | 84.5 | 80.0 | 83.3 | 78.1 | 83.6 |
| Toolathlon Verified | 73.0 | 76.5 | 74.1 | 76.2 | 74.9 |
| AutomationBench v1.0.6 | 48.2 | 46.7 | 43.2 | 41.0 | 45.8 |
| ALE-CLI | 28.5 | 27.6 | 25.7 | 25.7 | 28.6 |
| HLE con herramientas | 62.5 | 59.8 | 60.0 | 57.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1682 | 1590 | 1588 | 1730 |
Fuente de datos: blog oficial de Z.ai (2026-08-14); los elementos no evaluados se indican con —. Comparación de precios: V4-Pro en horas valle $0.66/$1.98, V4-Flash $0.14/$0.28 por millón de tokens.
Bajo cargas de 1M tokens, el coste total de cómputo es aproximadamente el 27% del de V3.2: el beneficio directo de la atención híbrida (CSA+HCA).
La caché KV ocupa aproximadamente el 10% de la de V3.2, lo que reduce drásticamente el coste de VRAM del servicio concurrente con contextos largos.
En la serie V4.1-Flash, la entrada con acierto de caché baja hasta $0.003/millón de tokens, por lo que el coste de los pipelines que recuperan repetidamente el mismo corpus tiende a cero.
大模型网摘