本文要点
- V4-Flash API 从预览状态进入官方公开测试，并原生支持 Responses API。
- V4-Flash-0731 的 MIT 权重、编码示例和推理代码出现在 Hugging Face。
- 官方给出 Codex 配置路径，但适用范围暂时只有 deepseek-v4-flash。
阅读辅助
先看数字、证据和来源，再读正文。
V4-Flash-0731 在同一天启动官方 API 公测并发布 MIT 权重。
2026-04-26 · DeepSeek 提交 V4 技术报告，披露 Flash 预览版为 284B 总参数、13B 激活参数，并支持百万 token 上下文。
DeepSeek 把 V4-Flash-0731 的发布做成了一次紧凑的状态迁移：北京时间 7 月 31 日 14:56，官方 API 进入公开测试；约 34 分钟后，Hugging Face 记录到同名模型仓库创建，MIT 权重、推理脚本与编码示例随之进入公开验证范围。
这两个入口对应不同承诺。API public beta 意味着开发者可以通过 DeepSeek 的在线服务试用；开放权重则允许自行下载、部署和检查推理链。官方还给出 Codex 配置，原因是 DeepSeek API 已原生支持 Responses API。三者发生在同一天，缩短了从看到榜单到接入工作流、再到自部署复核的路径。
边界也写得很明确。DeepSeek 说 V4-Flash-0731 保持与预览版完全相同的模型架构和规模，不是再次扩大模型；本次升级 只适用于 V4-Flash API，V4-Pro API 以及 App、Web 中的模型暂时维持原状。模型页把 0731 称为取代预览版的正式权重发布，但 API 仍处于公开测试阶段，两种状态不能混写成全线正式商用。
当前适合立刻行动的是模型评测与工程验证。开发者可以用官方 API 检查 Responses 格式和 Codex 工作流，也可以下载 284B 总参数、13B 激活参数的权重测试推理。企业采购仍需等待输出速度、端到端延迟、常见硬件成本以及长任务稳定性的独立数据。
同日出现的三条验证路径
先看时间顺序。DeepSeek 官方账号先宣布 “Official API is now LIVE in public beta”，同时称 V4-Flash 原生支持 Responses API、已适配 Codex。官方随后补充适用范围和模型状态，避免把 Flash 的变化外推到 Pro 或 App、Web。
Hugging Face API 返回的 createdAt 为 2026-07-31T07:30:24Z，即北京时间 15:30:24；lastModified 为 12:02:14Z，即北京时间 20:02:14。这比依赖页面显示的相对时间更精确，也证明仓库是在目标窗口内新建，而非旧仓库改名后重新宣传。
模型仓库并非只有说明页。API 列出了 48 个 safetensors 权重分片、索引文件、编码脚本、推理实现和配置文件，仓库标签为 MIT、非私有、非 gated。模型页还给出 vLLM 示例，官方示例硬件是一台 4×GB300 节点，说明“权重可下载”与“普通单卡容易运行”之间仍有很大工程距离。
| 发布面 | 窗口内状态 | 可确认内容 | 暂不能推出的结论 |
|---|---|---|---|
| 官方 API | 公开测试 | V4-Flash 可调用，原生支持 Responses API | 不能写成已结束测试或全线正式商用 |
| Hugging Face 权重 | 正式权重发布 | MIT、48 个分片，含编码与推理示例 | 不能据此断言常见消费卡可低成本运行 |
| Codex 接入 | 当前可配置 | Flash 可通过 Responses 协议接入 Codex | 不代表 Pro 已支持，也不代表长任务已独立验收 |
| 模型架构 | 保持不变 | 与预览版相同结构和规模，带 DSpark 推测解码模块 | 不能写成参数再次增加或新架构上线 |
| 产品范围 | 仅 Flash API 升级 | Pro API 与 App、Web 模型暂时不变 | 不能把 Flash 成绩归到所有 DeepSeek 入口 |
模型页使用 “superseding the preview version” 描述 0731 权重，用 “substantially enhanced agentic capabilities” 描述能力变化；官方社交帖则说架构和规模完全相同。把这些信息合在一起，更稳妥的解释是：0731 的新状态来自正式权重、后训练能力和服务入口，而不是基础架构又改了一轮。官方没有披露后训练数据、训练步数或具体配方，进一步归因仍缺证据。
Codex 适配落实到协议与配置
DeepSeek 的 Codex 文档比一句“fully adapted”提供了更清晰的产品边界。文档说明 Codex 通过 Responses API 与模型通信，DeepSeek API 已原生支持该协议；配置中将 wire_api 设为 responses，模型设为 deepseek-v4-flash，并把 DeepSeek API 作为自定义 provider。
同一份配置由 Codex CLI、ChatGPT 桌面应用和 VS Code 的 Codex 扩展读取。这里的“适配”指协议兼容、模型目录和认证配置已给出，不代表 DeepSeek 模型变成 OpenAI 自有模型，也不代表 ChatGPT 订阅可以直接支付 DeepSeek API 费用。
适用范围暂时只有 Flash。官方文档写的是 “Currently, only deepseek-v4-flash supports integrating with Codex”，并称 deepseek-v4-pro 预计在 2026 年 8 月上旬支持。expected 是预期时间，不是已完成状态；在 Pro 文档或服务实际更新前，不能把它写成 Pro 同日完成适配。
Codex 兼容的价值在于复用现成智能体外壳。开发者可以把同一代码任务放进熟悉的终端、桌面端或 IDE 扩展，比较模型质量、调用费用和长任务行为，而不必先重写整套客户端。与此同时，工具调用可靠性、审批流程、上下文保留和中断恢复仍要在真实项目上验证。
模型权重侧也没有直接附带 Jinja 格式 chat template。DeepSeek 改为提供专门的 encoding 目录，演示如何把 OpenAI 兼容消息编码为输入字符串，再解析模型文本输出。这个细节说明，自部署复现不仅要下载权重，还要正确实现消息编码、reasoning effort 和工具协议。
厂商成绩与独立评测是两张表
DeepSeek 模型页公布了九项智能体、编码和工具使用结果。公开项目中，V4-Flash-0731 在 Terminal Bench 2.1 得到 82.7，预览版为 61.8，V4-Pro Preview 为 72.1；在 DeepSWE 得到 54.4，两款预览版分别为 7.3和 12.8。这些是厂商发布表中的数字。
官方还披露了运行条件：公开代码智能体任务使用 DeepSeek Harness 的 minimal mode，reasoning effort 为 max，采样参数为 temperature=1.0、top_p=0.95。问题在于 DeepSeek Harness 标注为 to be released，尚未公开；DSBench-FullStack 和 DSBench-Hard 又是内部测试集。因此，表格能证明官方报告了哪些结果，却暂时不能证明外部团队可以完整复现。
| 评测口径 | 结果或设置 | 证据性质 | 主要限制 |
|---|---|---|---|
| Terminal Bench 2.1 | 82.7 | DeepSeek 厂商自报 | 使用尚未发布的 DeepSeek Harness |
| DeepSWE | 54.4 | DeepSeek 厂商自报 | 使用 max effort 与指定采样设置 |
| DSBench-FullStack | 68.7 | DeepSeek 内部测试 | 测试集不公开，外部暂不能复现 |
| AA Intelligence Index v4.1 | 50 分 | Artificial Analysis 独立运行 | 组合指数只代表其九项评估与运行方法 |
| AA 同尺寸开放权重中位数 | 25 分 | Artificial Analysis 对照组 | 对照限于其“同尺寸开放权重”分类 |
| AA 评测总输出 | 2.10 亿 token | Artificial Analysis 独立记录 | 高 verbosity 会影响实际任务成本与等待时间 |
Artificial Analysis 是另一套口径。其 v4.1 智能指数由九项评估组成，包括 Terminal-Bench v2.1、SciCode、Humanity’s Last Exam、GPQA Diamond 和长上下文推理等。V4-Flash-0731 在该指数上得到 50 分，在同尺寸开放权重模型中的对照中位数是 25 分。
这项独立结果支持“模型处于开放权重前列”的判断，但不能与 DeepSeek 的 82.7、54.4 等分数相加或平均。两边的任务集合、harness、采样与汇总方法不同。即使两套表都包含 Terminal-Bench 名称，具体代理框架和运行设置仍会改变最终表现。
Artificial Analysis 还记录了 284B 总参数、13B 激活参数和 1M token 上下文，与官方技术报告的预览版规模一致，为“架构和规模保持不变”增加了第三方交叉。价格方面，其页面列出每百万输入 token 0.14 美元、输出 0.28 美元、缓存命中 0.003 美元，并显示完整智能指数评测花费 72.02 美元。
价格低不等于任务成本必然最低。Artificial Analysis 的这次评测生成了 2.10 亿输出 token，同类中位数为 1.00 亿。高输出量可能来自更长推理，也可能受基准和运行设置影响；它提醒采购方把 token 消耗、任务成功率与等待时间一起计算，而非只看每百万 token 的标价。
规模没变，部署约束仍然很重
284B 总参数、13B 激活参数描述的是 MoE 模型的两个不同维度。每个 token 只激活一部分专家，有助于降低单 token 计算量，但完整权重仍要存储和调度。13B 激活参数不能被简化成“只需部署一个 13B 模型”。
4 月技术报告给出了架构背景：V4 使用结合 Compressed Sparse Attention 与 Heavily Compressed Attention 的混合注意力，并加入 mHC 和 Muon 优化器。报告中的 V4-Flash 预览版已经是 284B/13B、百万 token 上下文；0731 官方又明确保持结构和规模，所以这些材料只能解释继承的技术底座，不能充当 7 月 31 日的新架构新闻。
仓库中的 vLLM 示例使用 DSpark 推测解码，并以一台 4×GB300 节点为例。模型页把 DSpark 称为附加的 speculative decoding module，启动参数中设置 num_speculative_tokens=7。这为服务方提供了明确路径，但没有给出不同硬件的 tokens/s、首 token 延迟、并发曲线和能耗。
官方还建议 agentic 场景使用 temperature=1.0、top_p=0.95；在 high 和 max reasoning effort 下，建议最大输出长度为 384K token。这是最大输出配置建议，不是说每个任务都会生成 384K，也不能把它加到 1M 上下文形成新的窗口数字。
HN 的具体讨论集中暴露了评测后仍缺的工程信息。有人直接追问为何没有 tokens/s；有人质疑模型完成同一工作时的 token 消耗；也有开发者强调自己的代码库问答结果高度依赖 prompt 与 harness。它们属于社区观察，不是正式性能证据，但共同指向一个验证重点：智能体模型的可用性由模型、harness、编码与工具环境共同决定。
从榜单走向可复现任务
对开发者，最短路径是先用官方 API 固定一组真实任务。记录每项任务的输入、输出 token，工具调用次数，首 token 延迟，完成时间，重试次数和最终验收结果；随后在 Codex 中保持仓库、提示和权限一致，只替换 provider。这样才能知道协议兼容是否转化为工作流兼容。
第二步是区分 reasoning effort。模型支持 low、high 和 max 三档。官方 benchmark 采用 max，若生产环境为了延迟和成本使用 high 或 low，就不能直接拿官方最高档分数预测结果。每档都应单独建立质量与成本曲线。
对自部署团队，权重可得只是起点。需要验证权重格式转换、消息编码、DSpark、FP8 KV cache、expert parallel、长上下文内存和故障恢复。官方单节点示例可以用作配置参考，却不应被当作最低硬件门槛或稳定吞吐承诺。
对企业买方，应把 API 公测视为受控试验入口。public beta 通常意味着产品已经可公开使用，但服务等级、行为和接口仍可能变化。涉及生产代码、敏感仓库或跨境数据的团队，还需核对数据处理、区域、日志保留和采购条款；本次发布材料没有替这些问题给出答案。
同日开放权重和 API，让 DeepSeek 的竞争方式从“公布一个模型分数”推进到“让外部沿三条路径验证同一版本”。官方 API 提供低门槛试用，Responses API 把模型放进成熟的 Codex 工作流，MIT 权重则给服务商和研究团队留下自部署与复核空间。三条路径彼此约束，比单独发布一张 benchmark 表更有实际影响。
这次发布的核心增量落在后训练、智能体运行和交付方式。官方已经明确架构与规模保持不变，因此能力跃升不能被包装成参数扩张带来的自然结果。DeepSeek Harness 尚未公开，反而使 harness 成为下一阶段最关键的证据：若外部复现接近官方成绩，价值会从模型权重扩展到可迁移的智能体工程方法；若差距很大，官方榜单就需要重新拆分模型贡献与运行框架贡献。
Artificial Analysis 的独立 50 分提供了积极但有限的交叉。它说明 V4-Flash-0731 在另一套评估中仍处于领先开放权重区间，同时暴露 2.10 亿输出 token和速度数据缺失。低单价可能降低试错门槛，却不能自动解决高 token 消耗、延迟和本地硬件成本。
接下来最有价值的比较单位应是“一个可验收的真实任务”。只要把成功率、总 token、端到端时间、人工接管和部署费用放进同一张表，API 低价、Codex 兼容与开放权重才会变成可采购的优势。当前结论保持中等置信：发布状态和产品边界清楚，智能体提升的可复现程度仍待 Harness 与独立长任务数据补齐。
验证清单要盯住哪些变化
近期首先看 DeepSeek Harness。模型页已经写出 “to be released”，其公开时间、许可证、默认 prompt、工具协议与任务重试策略会决定厂商成绩能否被复跑。只有模型权重而缺同一 harness，复现链仍不完整。
第二组信号来自独立性能数据。Artificial Analysis 页面目前没有 output tokens per second，社区也在追问速度。后续需要同时观察首 token、生成速度、端到端时间和高分位延迟，尤其要按 low、high、max 分档。
本地部署要关注 4×GB300 之外的配置。量化版本、张量并行、专家并行和 SSD offload 可能降低准入门槛，但各自会改变质量、吞吐和稳定性。第三方能否在更常见硬件上复现百万 token 与智能体任务，决定“开放权重”能覆盖多大用户群。
Codex 侧应以真实仓库持续测试。工具调用格式泄漏、长上下文遗忘、错误自信、审批与中断恢复都比单轮代码生成更能决定生产价值。官方协议适配已经完成，工程可靠性仍需要外部证据。
最后要按状态词检查后续公告。Flash API 当前是公开测试；Pro 的 Codex 支持只是 预计 2026 年 8 月上旬；Pro API 与 App、Web 模型在 7 月 31 日仍保持原状。任何后续报道都应先确认它改变了哪一个入口，再讨论模型家族是否完成下一次迁移。