DeepSeek Benchmarks 2026: What the V4 Numbers Actually Say

如果您是在看到昨天的“DeepSeek 胜过 Claude”新闻标题后来到这里的，您可能和我早上6点一样想要：实际数字、基准版本，以及 DeepSeek V4 胜、平、负的清晰分析。本文将全面分析——SWE-Bench 已验证、Terminal-Bench 2.0、LiveCodeBench、MMLU-Pro、GPQA、人类最后的考试以及长上下文测试——每个得分都归因于一个命名的模型版本。V4 于 2026年4月24日以两个模型的预览形式发布，其结果真正推动了开放权重的前沿。以下是经得起审查的内容。 DeepSeek 2026 基准测试 在 284B 总量（13B 活跃）的情况下。两者都是 MIT 许可的开源混合专家模型，具有 100万个令牌的上下文窗口和最多 384,000 个令牌的输出。两者都支持一百万个令牌的上下文长度，仓库和模型权重均受 MIT 许可证许可。

简要版：V4在2026年排行榜上的位置

DeepSeek 于 2026 年 4 月 24 日发布了 V4 版本作为预览，分为两个等级： DeepSeek V4-Pro 总参数量为 1.6T（其中 49B 为活跃参数）， DeepSeek V4-Flash at 284B total (13B active). Both are MIT-licensed open-weight Mixture-of-Experts models with a 1,000,000-token context window and up to 384,000 tokens of output. Both support a context length of one million tokens, and the repository and model weights are licensed under the MIT License.

在与技术报告一同发布的公共基准测试集中，DeepSeek的V4-Pro在最大推理努力（reasoning_effort=max）下在编码基准测试中领先，在数学和推理方面具有竞争力，但在事实世界知识方面明显落后于Gemini-3.1-Pro。通过扩展推理令牌，DeepSeek-V4-Pro在最大推理努力下在标准推理基准测试中相对于GPT-5.2和Gemini-3.0-Pro表现出更优越的性能。然而，其性能略低于GPT-5.4和Gemini-3.1-Pro，表明其发展轨迹落后于当前前沿大约3到6个月。

标题基准表：V4-Pro（推理努力度=max）与前沿封闭模型对比

下面的每一行都来自DeepSeek的V4发布材料和证实报道。我根据DeepSeek基准测试的确切版本命名了每个竞争对手——如果您在同一句话中比较价格，请保持版本不变。

坦诚地阅读编码数字

编码基准测试是V4-Pro超越Anthropic的地方。V4-Pro在最大推理努力下实现了LiveCodeBench Pass@1的93.5分——所有评估模型中的最高分，领先于Gemini 3.1 Pro（91.7）和Claude Opus 4.6 Max（88.8）。其Codeforces评分为3206，也领先于GPT-5.4 xHigh（3168）和Gemini 3.1 Pro（3052）。这是在SWE-Bench Verified上与Claude Opus 4.6近似的编码基准测试性能的7倍价格差距，以及在Terminal-Bench上的可测量领先。

话虽如此，SWE-Bench Verified实际上是一个平局：V4-Pro处于80.6分——仅比Claude（80.8）低一点，与Gemini（80.6）持平。我不会基于在已知噪声的基准测试中的0.2分差距来制定采购决策。Terminal-Bench 2.0的结果是我更看重的：这个基准测试涉及3小时超时下的真实自主终端执行。这个差距对于代理工作流程比单轮编码基准测试更重要。

V4-Pro明显落后的地方

三个基准测试揭示了DeepSeek团队公开承认的差距：

• 人类最后考试（HLE）。 HLE（人类最后考试）的37.7%将V4-Pro置于Claude（40.0%）、GPT-5.4（39.8%）之下，远低于Gemini-3.1-Pro（44.4%）。
• 简单QA验证。 SimpleQA-Verified在57.9%的准确率上与Gemini的75.6%相比，揭示了有意义的实际知识检索差距。如果你的用例需要准确的世界知识回忆——而不仅仅是代码生成——Gemini具有明显的优势。
• HMMT 2026数学。 Claude（96.2%）和GPT-5.4（97.7%）在V4-Pro（95.2%）之前明显领先。

如果你想了解DeepSeek如何走到这里——从V3的成本惊喜到设定效率叙事的R1发布——请参阅 DeepSeek latest updates 日志跟踪每月的发布节奏。

V4-Flash：更有趣的故事

Flash是这次发布的惊喜。在总容量284B / 活跃容量13B的情况下，它应该是明显的降级——但DeepSeek自己的笔记显示，与参数数量所暗示的差距相比，要窄得多。在SWE-bench Verified上，它得分为79.0%，而V4-Pro的得分为80.6%，差距为1.6分。在LiveCodeBench上，它达到91.6%，而93.5%。对于大多数开发者的编码任务来说，这些结果是功能等效的。

DeepSeek-V4-Flash-Max在更大的思考预算下实现了与Pro版本相当的理由性能，尽管其较小的参数规模自然地使其在纯粹的知识任务和最复杂的代理工作流程中略逊一筹。翻译：如果你的工作负载是代码密集型且对延迟敏感，Flash是默认选择，而V4-Pro只有在面对最困难的代理任务时，才能获得其约7倍的输出价格。

一个值得注意的细分结果

在Putnam-200数学证明设置中，V4-Flash-Max得分为81.0，而Seed-2.0-Pro为35.5，Gemini-3-Pro和Seed-1.5-Prover均为26.5。这不是打字错误。定理证明工作负载似乎特别适合Flash级别，这很可能是因为基准测试奖励持续的逐步推理而非广泛的世界知识。

长上下文基准测试和架构效率

1M-token的上下文窗口不是营销。在长上下文检索中，Pro-Max在这里提供了极其强大的结果，在MRCR 1M（MMR）针尖上的麦芒检索测试中得分为83.5%。这实际上超过了Gemini-3.1-Pro在学术长上下文基准测试中的得分。

效率提升来自DeepSeek的新注意力堆栈。结合压缩稀疏注意力（CSA）和重度压缩注意力（HCA）的混合注意力机制显著提高了长上下文效率。在1M标记的上下文设置中，与DeepSeek-V3.2相比，DeepSeek-V4-Pro只需要27%的单标记推理FLOPs和10%的KV缓存。这正是定价层以下实际工作的数量——没有它，你无法在1M上下文模型上实现每百万输入0.14美元的输入成本。

API定价背景（以及如何计算基准级运行的成本）

定价是将基准测试结果转化为实际预算的地方。截至2026年4月，根据DeepSeek的定价页面：

关于同一天竞争对手的费率：OpenAI的GPT-5.4每1M输入标记收费2.50美元，每1M输出标记收费15.00美元，而Claude Opus 4.6每1M输入标记收费5美元，每1M输出标记收费25美元。V4-Pro在列表价格（目前2026年5月31日前的75%促销期间为0.87美元/兆）下每兆输出3.48美元，大约是Opus 4.6在列表价格下输出费用的七分之一（在V4-Pro促销期间大约是1/29）。V4-Flash的每兆输出0.28美元处于完全不同的档次——DeepSeek-V4-Flash是小型模型中最便宜的，甚至超过了OpenAI的GPT-5.4 Nano。DeepSeek-V4-Pro是大型前沿模型中最便宜的。

V4-Flash的工作成本示例——100万个调用，包含一个2,000标记的缓存系统提示，一个200标记的用户消息和一个300标记的响应：

• 缓存命中输入：2,000 × 1,000,000 × 0.0028/M = $5.60
• 缓存未命中输入：200 × 1,000,000 × 0.14/M = $28.00
• 输出：300 × 1,000,000 × 0.28/M = $84.00
• Total: $117.60

V4-Pro上相同的负载运行费用为 $29.00 + $348.00 + $1,044.00 = $1,421.00（按目录价） $1,421.00（目前） 覆盖两个级别。 $355.25 在2026年5月31日前的75%促销期间）。根据基准测试表中你的工作负载所在的位置选择层级，而不是品牌。如果你想尝试其他形状，我们的 DeepSeek pricing calculator and DeepSeek cost estimator 一个最小的Python代码片段，用于重现使用OpenAI SDK模式的思考模式运行：

如何通过API重现这些数字

Chat requests hit POST /chat/completions, the OpenAI-compatible endpoint at https://api.deepseek.com。DeepSeek还提供了一个与Anthropic兼容的表面，位于相同的基URL。保持base_url，只需更新模型为deepseek-v4-pro或deepseek-v4-flash。支持OpenAI ChatCompletions和Anthropic API。两种模型都支持1M上下文和双模式（思考/非思考）。该API是无状态的——每个请求都必须重新发送对话历史，这与维护会话状态的Web聊天不同。

，JSON模式，工具调用，流式传输，FIM（Beta — 需要

from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com",
    api_key="YOUR_KEY",
)

resp = client.chat.completions.create(
    model="deepseek-v4-pro",
    messages=[{"role": "user", "content": "Solve Putnam 2024 A1."}],
    reasoning_effort="high",
    extra_body={"thinking": {"type": "enabled"}},
    max_tokens=32000,
)
print(resp.choices[0].message.reasoning_content)
print(resp.choices[0].message.content)

思考模式是V4级别的一个请求参数，而不是一个单独的模型ID。响应返回... reasoning_content alongside the final content。对于Think-Max运行，DeepSeek建议将上下文窗口设置为至少384K个令牌。其他值得了解的参数有—— temperature, top_p, max_tokens），聊天前缀完成（Beta）和自动上下文缓存 — 在以下内容中有所涵盖： thinking: {"type": "disabled"}), Chat Prefix Completion (Beta) and automatic context caching — are covered in the DeepSeek API documentation.

如果您仍然在使用旧版 deepseek-chat or deepseek-reasoner IDs：deepseek-chat & deepseek-reasoner将于2026年7月24日15:59（UTC时间）后完全退役且不可访问。（目前路由到deepseek-v4-flash非思考/思考）。迁移是一个单行模型交换；基本URL不会改变。

如何比较DeepSeek V4与早期DeepSeek各代产品

对于那些在比较升级路径而非全新构建的读者：

• DeepSeek V3.2 是直接的前身。根据技术报告，V4-Pro在1M上下文下需要大约27%的每令牌FLOPs和大约10%的KV缓存。
• DeepSeek R1 是2025年1月的推理发布，确立了成本效益的叙事——V4-Pro的思考模式有效地承担了这一角色，在编码基准测试中达到了更高的上限。
• DeepSeek V3 是2024年末的基础模型。训练成本数字是Reuter在2025年1月澄清后广泛引用的约560万美元的数字——而不是R1的数字，Reuter后来报道为294,000美元。

为了对比V4与非DeepSeek前沿模型，以下是从侧面进行对比的 DeepSeek vs ChatGPT and DeepSeek vs Claude 这些比较深入探讨了这些基准表未涉及的UX和生态系统差异。

在发布“DeepSeek胜过X”的幻灯片之前请注意

1. 这些是预览模型。 预览版是有限发布，以在正式发布前收集真实世界的反馈。在GA版本中，评分可能会有所变动。
2. 供应商报告的数字需要独立复制。 V4是开源的，比其前身更高效，但需要独立评估来确认所声称的性能。
3. 版本锁定很重要。 上述所有评分均以DeepSeek引用的竞争对手版本Claude Opus 4.6、GPT-5.4和Gemini-3.1-Pro为基准。不要在没有重新测试的情况下将这些数字移植到与Claude 4.7或GPT-5.5的比较中。
4. 知识差距是真实存在的。 如果您的负载是知识密集型的，SimpleQA和HLE是值得关注的基准。

对于超出基准的更广泛发布背景，完整的 DeepSeek news 信息流跟踪监管、定价和可用性的变化。

作为实践者的看法

我已经在生产环境中运行V3.2，并在周末将两个代理编码工作负载切换到了V4-Pro。编码基准测试的数字与我在内部评估中看到的一致：在多文件重构方面明显优于V3.2，在简单的SWE-Bench风格票据上与Claude Opus 4.6大致可互换，在Terminal-Bench形状的自主会话中真正领先。它不是开放式问答中最强的模型——SimpleQA差距在真实使用中可见——我不会将其用于以世界知识为主导的研究助手产品。在以七分之一输出成本进行代理编码的情况下，它是本周的理性选择。

DeepSeek AI Guide is an independent resource and is not affiliated with DeepSeek or its parent company. Model IDs, pricing and API behaviour change; check the official DeepSeek documentation and pricing page before committing to a production decision.