Fireworks 在 CyberGym 的 697 个共同有效任务上测试 DeepSeek V4 Pro 0813，其奖励率为 53.7%，每个成功任务成本 2.502 美元，约为 Kimi K3 的一半。Kimi K3 的奖励率最高，为 68.4%，但每个成功任务成本为 4.914 美元；GPT-5.5 的奖励率为 47.6%，每个成功任务成本为 9.641 美元；Claude Opus 4.8 的奖励率仅为 5.9%，每个成功任务成本为 33.275 美元。测试中，DeepSeek V4 Pro 在 840 个任务上全部产生原生工具调用，没有出现拒答或输出截断；一旦通过第一阶段验证，它完成完整补丁的比例为 94.7%。
匹配字段标题、摘要、正文
Fireworks AI 在 CyberGym 的 840 个对抗性安全任务上测试 DeepSeek V4 Pro 0813，全部产生原生工具调用，零拒绝、无输出截断。在 697 个四模型共同有效任务中，DeepSeek V4 Pro 进入验证阶段的比例为 97.3%，每解决一个漏洞的成本比最高分模型低一半，并比 GPT-5.5 准确率高 6.03 个百分点、成本仅为其四分之一。
匹配字段标题、摘要、正文
DeepSeek API 通过实验模型 deepseek-v4-flash-vision-exp 支持文本与图像混合输入，并兼容 Chat Completions、Messages 和 Responses。图像可通过 base64、外部 URL 或 Files API 提供，每张最多按 384 tokens 计费，采用 V4-Flash 定价。
匹配字段标题、摘要、正文
DeepSeek 在 API Platform 上线实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，其文本能力与 DeepSeek-V4-Flash 相当，涵盖智能体、推理和世界知识。该模型在多模态智能体评测中较 V4-Flash 显著提升，表现接近 Opus-4.8；DeepSeek Harness 0.1.1 已提供开箱即用的支持。
匹配字段标题、摘要、正文
LMSYS 针对 1.6 万亿参数 MoE 模型 DeepSeek-V4-Pro 在 H20 GPU 上的推理服务做系统优化，batch size 1 时单节点 H20-141GB 达到 271 output tokens/s，与 B300 的 383.7 tokens/s 相比性能比缩小到 1.42×。优化后的 prefill 每节点达 8.45k input tokens/s，43.7 秒处理 100 万 token 提示；面向吞吐的 DP16-EP16 每节点达 4.67k output tokens/s，平均 TPOT 27.4 ms。
匹配字段标题、摘要、正文
Together AI 在 DeepSWE 全部 113 个任务上各跑 4 次对比 DeepSeek V4 Pro 0813 与 GPT-5.6 Sol：Sol 单次通过率 72.7% 领先 Pro 的 62.8%，但 Pro 每次 rollout 仅 0.24 美元，约为 Sol 8.37 美元的 35 分之一，pass@4 上 Pro 以 88.5% 反超 Sol 的 85.8%。先用 Pro、测试失败再升级到 Sol 的级联方案可解决 83.0% 的任务，单任务成本 3.35 美元，高于 Sol 单独使用的 72.7%，也高于理想单次路由的 80.8%。Sol 更快更简洁（中位 53 步、17 分钟、59k 输出 token），但失败时 20% 会破坏仓库原有测试套件，Pro 这一比例为 11%。
匹配字段标题、摘要、正文
在 113 项 DeepSWE 任务各 4 次试验中，Claude Fable 5 单次通过率 69.7%，高于 DeepSeek V4 Pro 0813 的 62.8%，但每次 rollout 成本 21.63 美元，是后者的 90 倍（0.24 美元）。先跑 DeepSeek V4 Pro 0813、失败再升级到 Fable 的级联方案可解决 82.7% 任务，每任务 8.28 美元，比单用 Fable 高 13 个百分点且便宜逾一半。两者任务相关性仅 0.39，Fable 仅在 Rust（85% 对 65%）和序列化（88%）上明显领先。
匹配字段标题、摘要、正文
China AI Weekly Digest 恢复更新，汇总 2026-08-08–2026-08-15 期间追踪的 263 条中国 AI 新闻。重点包括 DeepSeek 发布 V4 Pro、开源 DeepSeek Harness 并上调 API 价格，腾讯成为恢复独立运营的 Manus 最大股东，以及模型发布、融资、政策与产品进展。
匹配字段标题、摘要、正文
DeepSeek Harness v0.1 现已开放开发者预览，并以 MIT 许可证开源，面向全球构建智能体运行框架的开发者。该项目由 Cordis 元框架驱动，将模型、工具、技能、会话、沙箱、文件系统、循环、编排和 UI 均实现为可组合、替换和扩展的插件。
匹配字段标题、摘要、正文
DeepSeek 随 V4 系列发布更新 API 定价并引入高峰与低谷费率，低谷费率比高峰低 50%，便于灵活安排工作负载。新价格将于 2026 年 8 月 16 日 16:00 UTC 生效。
匹配字段标题、摘要
DeepSeek 发布 DeepSeek-V4-Pro，重点升级 Agent 能力，并为 V4-Pro 与 V4-Flash 提供 low、high 和 max 三档推理强度。该模型原生支持 OpenAI Responses API，并针对 Codex 优化；现已通过 app/web 的“Expert Mode”和 API 提供，模型名称保持不变。
匹配字段标题、摘要、正文
Recode China AI 汇总了本周追踪的 247 条中国 AI 新闻，重点涵盖 Qwen3.8-Max、Unitree 约 $9 billion 估值的 IPO，以及 DeepSeek API 涨价。周报还梳理了多款模型更新、美国对中国 AI 组件的潜在进口限制、融资动态、产品调整与模型安全事件。
匹配字段标题、摘要、正文
DeepSeek-V4-Flash-0731 在架构不变的情况下通过新一轮微调，在独立测试中超越更大的 DeepSeek-V4-Pro，Artificial Analysis 智能指数达 50 分，仅比 GPT-5.6 Luna 最高推理模式低 1 分。该模型为 284B 总参数、13B 激活参数的 MoE 架构，支持最高 100 万 token 输入与 384,000 token 输出，MIT 许可下权重可免费商用，API 价格为每百万输入/缓存/输出 token $0.14/$0.0028/$0.28。
匹配字段标题、摘要
Unsloth 发布 DSpark，使 DeepSeek-V4-Flash-0731 的 GGUF 本地生成速度提升约 1.4–2 倍，且精度不变。该版本在本地可达到 120 tokens/s，Unsloth 同时提供了 GGUF 文件与使用指南。
匹配字段标题、摘要、正文
Together AI 在全部 113 个 DeepSWE 任务上对比 DeepSeek-V4 Flash 0731 与 GPT-5.6 Luna，每个任务四次试验。Luna 的 pass@1 为 67.2%，高于 DeepSeek 的 53.3%，但单次成本约 0.61 美元，是 DeepSeek 约 0.10 美元的六倍。先用 DeepSeek 再在测试失败时升级到 Luna 的级联方案解决 78.9% 的任务，每任务成本 0.385 美元，准确率高于 Luna 单用且成本更低。
匹配字段标题、摘要、正文
Recode China AI 汇总2026-07-25至2026-08-01的269篇报道，重点涵盖CXMT上海 IPO 一度上涨472%、Kimi K3全面开放权重，以及DeepSeek暂停融资并发布V4。同期MiniMax H3、Seedance 2.5等模型集中亮相，中美围绕中国开放权重模型与芯片获取的政策争论继续升温。
匹配字段标题、摘要、正文
Unsloth 宣布 DeepSeek V4 Flash 0731 现已可在本地运行，无损 4-bit 量化需 168GB 内存，3-bit 需 110GB 内存，可通过 Unsloth 或 llama.cpp 运行，并提供了指南和 GGUF 链接。Unsloth 称 V4 Flash 0731 表现优于 V4 Pro，更小的量化版本当天晚些时候发布。DeepSeek 官方此前宣布 DeepSeek-V4-Flash 官方 API 进入公开测试，Agent 能力大幅升级，基准分数超过 V4-Pro-Preview，并原生支持 Responses API 格式、适配 Codex。
匹配字段标题、摘要、正文
DeepSeek-V4-Flash-0731 与预览版保持完全相同的模型架构和规模，今日升级仅适用于 DeepSeek-V4-Flash API。DeepSeek-V4-Pro API 及 App/Web 模型暂时不变，DeepSeek-V4-Pro 正式版将尽快发布。
匹配字段标题、摘要、正文
DeepSeek-V4-Flash 官方 API 已开放公测，智能体能力评测成绩大幅超过 V4-Pro-Preview。该版本原生支持 Responses API 格式，并已适配 Codex，配置详情可查阅官方 API 文档。
匹配字段标题、摘要、正文
DeepSeek CEO 梁文锋在投资者会议上阐述了公司的 AGI 路线、算力瓶颈、开源策略与商业化思路，并将持续学习视为下一代模型的核心能力。他认为当前路线将从 Agent 走向持续学习、自我迭代和具身智能，同时表示最强模型也可能开源，且开源不会影响公司的商业模式。
匹配字段标题、摘要、正文