九项 Agent 测试，全部反超自家更大的 V4-Pro

那么它到底比上一版强了多少。DeepSeek 随发布放了一张对比表，一共九项偏 Agent 方向的测试。

左起第一列是这次的 0731 正式版，第二列是 4 月的预览版，第三列是自家更大的 V4-Pro 预览版。† 标记的两项是 DeepSeek 内部自建测试集，外部无法复现。图片来源：DeepSeek。

九项全部超过 V4-Pro 预览版：DeepSWE 54.4 对 12.8，DSBench-Hard 59.6 对 31.1，Cybergym 76.7 对 52.7，差距最小的 Agents' Last Exam 也高出 8.7 分。V4-Pro 是 1.6 万亿总参数的大模型，Flash 只有 2840 亿。

同一张表上，九项也全部低于 Claude Opus 4.8，这一半发布材料没有提。差得最少的是 Agents' Last Exam（0.5 分）和 Terminal Bench（2.3 分），最多的是 NL2Repo（15.5 分）和 DSBench-Hard（12.1 分）。

涨幅最大的一项是 DeepSWE，从预览版的 7.3 分涨到 54.4 分。

同一个基准换第三方来测，Opus 的分数没变，DeepSeek 的少了 3.7

上面那张表是 DeepSeek 自己发的。第三方评测机构 Artificial Analysis 同一天用自己的框架也测了一遍，有一处对不上。

Terminal-Bench 这一项，Claude Opus 4.8 两边都是 85；而 V4-Flash 0731，DeepSeek 自报 82.7，第三方测出 79。官方脚注写明，这九项里的 Code Agent 任务用的是 DeepSeek 自家一套还没发布的外壳框架（harness），外面拿不到、也没法复现。Agent 类测试的分数很吃这层外壳，站内有个例子，只换外壳不动模型，ARC-AGI-3 的成绩能推到 99%。

第三方的其余数据印证了这次升级的幅度（顺带一提，同一份榜单上 GLM-5.2 是 51 分，比 Flash 0731 高一分，跟官方表里八项全胜 GLM 的口径不同）：

体积上它是这一档里最小的：处理每个字实际动用的参数，V4-Flash 只有 GLM-5.2 的三分之一不到、Kimi K3 的八分之一。

输入比 Claude Opus 4.8 便宜 35 倍，输出便宜 89 倍

能力大概摸清了，那么这个能力卖多少钱。下面是官方定价页上的三档，单位是每百万 token；Claude Opus 4.8 一列取自 Anthropic 官方定价，放在这里做参照。

换算成倍数：输入每百万 token 差 35 倍，输出差 89 倍。跟自家的 V4-Pro 比，Flash 的输入输出都是 Pro 的三分之一不到，而能同时打的请求数是 Pro 的五倍。

三个容易被漏掉的加分项

价格没涨。0731 的定价跟 4 月那版预览版完全一致，能力大涨而价目表原封不动。

缓存命中打到两折的零头。同样的开头内容再发一次，可以直接复用上次算好的结果，这部分只收 $0.0028，是未命中价的五十分之一，折扣率 98%。第三方评测机构 Artificial Analysis 专门点了这一条：行业大多数模型给的缓存折扣是 90%，DeepSeek 给到 98%，这是它每任务成本能压这么低的关键来源之一。而对着同一个代码库反复提问的场景，也就是 Codex 干活的常态，命中率天然就高。

吐的字还变少了。Artificial Analysis 跑完自己那整套评测，0731 用掉约 2.06 亿输出 token，上一代用掉约 2.34 亿。少用 12% 的字，拿到更高的分数。省下来的是标价之外的另一笔。

下半张图的横轴是每完成一项任务花的钱（对数刻度），纵轴是智能分。绿色区域是「又聪明又便宜」的最优象限，虚线是 Pareto 前沿，同等价位没有更聪明的、同等智能没有更便宜的。紫箭头指的 DeepSeek V4 Flash 0731 落在这条线上，每任务约合三分钱；而右上角 Claude Opus 5 那几个点在 2 美元以上。图片来源：Artificial Analysis。

针对 Codex 的适配：连 Codex 自己的系统提示词都一并配好了

价格和能力都摆完了，回到开头说的那件最实用的事：接 Codex。Codex 是通过 Responses API 跟模型对话的，DeepSeek 这次原生支持了这套格式，这是能接上的前提。但如果适配只做到"接口能通"，Codex 里的 DeepSeek 会是一个被降格使用的模型：不知道自己的上下文有多大，不知道该用哪种方式提交代码补丁，也拿不到 Codex 内置模型享有的那套行为规范。

实际做法比这彻底得多。配置过程里会写入一个 ~/.codex/models.json，它本质上是一份写给 Codex 看的模型说明书，把 DeepSeek 模型按 Codex 内置模型的格式完整声明了一遍。

第三层是这次适配里最值得注意的一处。那份 models.json 里原样收录了 Codex 自己的官方系统提示词，从 "You are Codex" 这句开头 这句开头，一直到该怎么加载技能文件、碰上删除类命令要如何处置的整套规矩。

接进去之后，模型是 DeepSeek 的，但那套关于"我是谁、我该怎么干活、什么事不能干"的行为守则，仍然是 Codex 原装的。所谓针对 Codex 优化，优化的是模型与这整套外壳的配合，而不只是让两端的接口能对上话。

接入教程：一条命令配好，原有设置不动

动手之前先确认两件事：Codex CLI 或者 ChatGPT 桌面 app 至少启动过一次（这样 ~/.codex 目录才会存在），以及客户端版本不低于 0.144.0。

方式一：官方脚本，一条命令

bash <(curl -fsSL https://cdn.deepseek.com/api-docs/codex-deepseek-setup-en.sh)

脚本跑起来会让你从菜单里挑模型，首次运行时要求填 API Key（sk- 开头，在 DeepSeek 平台申请）。它做的四件事都挺规矩：

1. 先把现有的 ~/.codex/config.toml 备份到 ~/.codex/backup-deepseek/，随时可以还原回去。
2. 写入模型目录 ~/.codex/models.json，也就是上一节讲的那份说明书。
3. 改 config.toml：只重写必要的字段并追加一段 [model_providers.deepseek]。你原有的 MCP 服务器、项目信任等级这些设置全部保留；如果有字段跟新配置冲突，会删掉并逐条打印删除原因。
4. 写入之前先校验两个文件的语法，校验不通过就直接中止，一个文件都不动。

之后随时可以再跑一次这个脚本切换模型，或者从菜单第 3 项恢复到安装之前的状态。

方式二：手动改配置

不想跑脚本的话，models.json 的完整内容在官方文档里可以直接复制，config.toml 加上这段就行：

model = "deepseek-v4-flash"
model_provider = "deepseek"
preferred_auth_method = "apikey"
forced_login_method = "api"
model_reasoning_effort = "high"
model_catalog_json = "~/.codex/models.json"

[model_providers.deepseek]
name = "deepseek"
base_url = "https://api.deepseek.com/"
wire_api = "responses"
experimental_bearer_token = "<你的 DeepSeek API Key>"

配好之后怎么确认生效

三个 Codex 客户端读的是同一份配置，配一次全通：

现在还够不着的几处

还有一条设计值得单说：不支持的参数一律静默忽略，不报错。所以现成的 Responses API 客户端不用改代码就能直接接过来，代价是那些被忽略的参数你得自己心里有数。

技术上只改了训练的最后一步，模型主干一个参数没动

最后简单说说这次的能力提升是从哪儿来的。官方更新日志里那句话是理解全篇的钥匙：0731 与预览版的模型架构和尺寸完全相同，只是重新做了一遍后训练。

后训练（post-training）指的是模型把海量文本读完之后的第二个阶段，用示范和奖励教它怎么把肚子里的本事真正用出来。书是同一批书，这一步换的是教法。

有一处得说准：HuggingFace 上开源的权重体积是 3040 亿参数，比主干的 2840 亿多出约 200 亿。多出来的那部分是一个投机解码模块，让一个小模块先抢着往下猜几个字、大模型回头一次性验证，猜对的直接采用。它只加快出字速度，不改变模型会什么、不会什么。用 vLLM 部署时加一个参数就能打开。

至于后训练具体怎么做的，模型卡给的路线是两段式：先用示范数据和强化学习分头培养各个领域的专家模型，再让一个统一的模型跟着这些专家现场给出的答案学，把各科本事收进同一个模型里。

价格能压这么低，同样是模型自身结构带来的：2840 亿参数里，处理每个字时只从 256 个专家中挑 6 个、再加 1 个共用的，实际参与计算的约 130 亿；专家部分的权重压到 FP4 精度存放，其余多数用 FP8；再配上一套压缩注意力机制，把长文本最占显存的那块缓存大幅砍下来，官方给的数字是，在 100 万字的上下文里，V4-Pro 单个字的推理算力只要上一代 V3.2 的 27%，缓存只要 10%。

有一点值得留意：省的是算力和缓存，不是显存。2840 亿参数的权重仍然得全部待在显存里，因为下一个字可能会点到任何一个专家。

架构和尺寸跟 4 月的预览版完全相同，这一版只重新做了一遍后训练，模型把海量文本读完之后的第二个阶段，用示范和奖励教它怎么把肚子里的本事真正用出来。书是同一批书，换的是教法。九项偏 Agent 方向的测试因此全部上涨。

上面那张表是 DeepSeek 自己发的。第三方评测机构 Artificial Analysis 同一天用自己的框架测了一遍：Claude Opus 4.8 的分数两边对得上，DeepSeek 自己那一列对不上。

便宜来自结构：2840 亿参数里，处理每个字只从 256 个专家中叫醒 6 个、再加 1 个共用的，实际参与计算的约 130 亿；专家的权重用更省的精度存放，再配一套压缩注意力，把长文本里最占地方的缓存大幅砍下来。落到价目表上是这样（每百万 token，大致相当于一百万个字）。

接 Codex 是这次最实用的一件事：跑一条官方脚本（完整命令正文里可以直接复制），它会写入两个配置文件，关键那行是 wire_api = "responses"。适配做到了 models.json 这一层，一份写给 Codex 看的模型说明书。