通用大模型榜：模型观察员任务
8月13日，DeepSeek V4 Pro正式版上线。采用MoE架构，总参数1.6T、单Token激活49B，原生支持100万Token上下文。数据确实猛：正式版相对预览版，Terminal-Bench 2.1从72.1涨到87.9（距离全球第一的Fable 5仅差0.1分）。CyberGym从52.7涨到83.3，AutomationBench从12.8涨到31.8，DeepSWE更是从12.8直接干到62.7，暴涨近50分。官方宣称智能体性能接近Fable 5，与Opus-4.8打得有来有回。但发布确实翻车了。0812当晚发的版本和0813当天新发的版本指纹都不一样，Hugging Face上的权重也换过。网友实测没那么强，加上API大涨价（缓存命中价格最多涨11倍），口碑一度严重下滑。后来又反转了—— 开源社区发现V4 Pro严重依赖首轮工具锚定，做了个插件后，在Windows原生测试中连续跑出98、99的高分。说明*V4 Pro的核心能力并未丢失，只是在RL后训练阶段对特定的Harness脚手架存在过拟合。金融投研实测更有说服力： 国金证券用V4 Pro、Kimi K3、GLM-5.2做了估值建模、多因子回测和行业研究三个真实任务。回测任务中V4 Pro排名第一——扣除交易成本、明确区分信号日与执行日、剔除停牌，底稿完整、可逐期复核。Kimi K3虽然排名第二，但未扣成本、未区分交易时点。我的判断： V4 Pro的潜力还没挖干净。如果你愿意折腾Harness配置，它能给你Fable级别的体验。想开箱即用的话，等社区把最佳实践沉淀出来再说。互动问题：你试过V4 Pro正式版了吗？体验怎么样？
发布于 天津
分享
1
赞
未登录
友善发言
评论
加载中
