兩組數據：DeepSeek 官方發布成績；第三方（Z.ai 官方部落格 2026-08-14）交叉比較。皆可從 MIT 開放權重重現。
| 評測 | 模型 | 成績 | 備註 |
|---|---|---|---|
| DeepSWE v1.1（Pass@1） | V4.1-Flash-1017 | 77.0% | 平均單一任務約 $0.20；低階 72%+ @ $0.10；前代 V4.1-Flash 為 74.2% @ $0.50 |
| SWE-Bench Verified | V4-Pro | 80.6% | 真實儲存庫層級問題修復 |
| LiveCodeBench | V4-Pro | 93.5% | 即時競賽級程式設計 |
| Terminal-Bench 2.0 | V4-Pro | 67.9% | 終端智慧代理 |
| Codeforces | V4-Pro | 3,206 | 競賽程式設計 Rating |
| Putnam-200（Pass@8） | V4-Flash | 81.0% | 數學競賽 |
| SWE-Bench Verified | V4-Flash | 79.0% | 與旗艦差 1.6pt，價格約 1/4 |
來源：DeepSeek 官方發布頁面與 API 文件（V4 預覽 2026-04-24、V4.1-Flash 2026-09-10、1017 2026-10-17）。
GLM-5.3 發布時官方公布的對照成績；DeepSeek-V4-Pro 欄位以高亮標示。同期 GPT-5.6 Sol 為對照中最強，V4-Pro 在開源陣營保持第一梯隊。
| 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 w/ Tools | 62.5 | 59.8 | 60.0 | 57.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1682 | 1590 | 1588 | 1730 |
資料來源：Z.ai 官方部落格（2026-08-14）；未參與評測的項目以 — 表示。價格對照：V4-Pro 離峰 $0.66/$1.98、V4-Flash $0.14/$0.28 每百萬 tokens。
1M token 負載下總算力開銷約為 V3.2 的 27%——混合注意力（CSA+HCA）的直接收益。
KV 快取佔用約為 V3.2 的 10%，長上下文並行服務的顯示記憶體成本大幅下降。
V4.1-Flash 系列快取命中輸入低至 $0.003/百萬 tokens，反覆檢索同一語料的管線成本趨近於零。
大模型网摘