AREX Feed Article
V4 Flash 涨价生效日，Composio 实测通过率仅 53.8%
8 月 16 日， 刊出对 DeepSeek V4 Flash 的一份独立实测：Composio 把模型放进 8 个 agent harness（包括 Claude Code、Codex、OpenCode），去跑 30 个刻意提高难度的多步任务，任务要操作 Gmail、GitHub、Slack、Google Sheets 等真实工具。240 次运行通过 129 次，完成率 53.8%；30 个工作流只有 6 个被所有 harness 全部跑通。
同一个模型，换一个 harness、工具配置、缓存行为、重试次数或 provider 栈，结果就大不一样。VentureBeat 认为，模型能否在企业场景落地，更取决于编排层而非裸模型能力。
同一天，DeepSeek 的新费率开始生效。它 8 月 13 日发布 V4 Pro 正式版时一并宣布涨价： 算出 V4 Pro 高峰输出价从每百万 tokens 0.87 美元涨到 3.96 美元，V4 Flash 从 0.28 美元涨到 1.32 美元，低谷时段半价，整体约四倍。按 ，生效时间为 8 月 16 日 16:00 UTC，写作北京时间 8 月 17 日 0 时； 引述的涨幅区间是 50% 到 1,100%。
榜单第一，240 次运行只通过 129 次
V4 Flash 7 月 31 日开放公测，2840 亿参数，为走量和速度设计；V4 Pro 8 月 13 日 GA，1.6 万亿参数，面向更复杂的工作流。两款模型都提供 low / high / max 三档思考强度。
公测以来，Flash 一直占据 OpenRouter 用量榜第一，按周 token 量计算是平台上用量最大的模型。机器学习研究员 Nathan Lambert 在 X 上写道，V4 Flash 初版的采用数字 "insane"，新版 "scored the same as GLM 5.2"，是会被大规模使用的 "total monster"。
Composio 的实测对象正是这个"榜单第一"。30 个任务刻意设计成多步、要操作真实工具，同一工作流换个 harness 就可能失败。VentureBeat 把差距归到编排层：缓存、重试、工具配置这些环节，比模型分数更能决定一次运行成不成。
每 24 小时有 17 小时半价
新费率下，V4 Flash 低谷价输入 0.22 美元、输出 0.66 美元，高峰输入 0.44 美元、输出 1.32 美元，涨幅 57% 到 371%；V4 Pro 低谷输入 0.66 美元、输出 1.98 美元，高峰输入 1.32 美元、输出 3.96 美元，涨幅 51% 到 355%。缓存命中价涨得最狠，52% 到 1,100%。
人民币口径更直观。据 ，V4 Pro 高峰时段输入（缓存命中）0.3 元、输入（缓存未命中）9 元、输出 27 元，此前是 0.025 元、3 元、6 元，缓存命中输入一项就涨 1,100%。
DeepSeek 的解释是，采用峰谷定价是为了"更加合理地调配资源"，闲时半价"鼓励用户根据实际使用情况调整任务时间"。VentureBeat 算过，每 24 小时里有 17 小时是半价，这套结构反而让中国市场定价最高。Engadget 补了一笔背景：现行促销价原本 5 月 31 日就该结束，DeepSeek 当月曾说要把折扣价永久化，最终仍决定涨价。
Greyhound Research 的 Sanchit Vir Gogia 认为这不是一次简单涨价："This is not a simple price rise. It is a pricing architecture that makes the timing of inference an economic variable."（这不是一次简单的涨价，而是一套把推理时点变成经济变量的定价架构。）批量评估、合成数据、夜间开发跑批可以挪进便宜时段，交互式 agent 和线上运营挪不动。
分析师：看着像自杀式提价，算完账还是便宜
科技分析师 Carmi Levy 说，第一眼看过去，这像一家"还在向更老牌的模型厂商争取可信度"的平台做出的 "suicidal move"（自杀式动作）。涨幅会吃掉 DeepSeek 的价格优势，让客户更认真地掂量其中资背景带来的顾虑。
但按所有口径，它的价格仍远低于 OpenAI、Anthropic、Google、Cohere、xAI 的同类模型。Levy 判断，优势会随时间收窄，因为 DeepSeek 会继续把价格向市场现实对齐，但眼下商业账仍算得过来。Gogia 则说，开发者和企业的不满真实而响亮，可过去的低价不等于永远便宜的义务。
Engadget 的横比给出参考系：Moonshot 的 Kimi K3 输出价 15 美元，OpenAI 最高端的 GPT-5.6 Sol 要 30 美元；但 OpenAI 的低价款 GPT-5.6 Luna 只要 1.20 美元，比高峰时段的 V4 Flash 还便宜。
X 上， 指出一个反方向趋势：开源模型在涨价，ChatGPT、Grok、Muse Spark 这些闭源前沿模型却在连续降价。 发帖："THE ERA OF SUBSIDIZED AI COMPUTE IS ENDING!"（补贴算力的时代结束了），并标注 355% 的涨幅。
厂商自己承认：基准分不是生产就绪
Gogia 提醒，Flash 的 API 仍处公测，没有可查证的企业采用记录、真实部署和署名客户。"The model is mainstream by traffic and still unproven by contract."（论流量它已是主流，论合同它仍未获证明。）
DeepSeek 自己的公告也在给这个判断提供证据：中文公告脚注写明，公开基准测试集里的 Code Agent 任务是 V4-Pro-0813 用自家 DeepSeek Harness 极简模式跑的，其他框架下结果可能略有不同。财新报道称，DeepSeek 同日发布 Harness 开发者预览版，设计思路是"一切皆插件"。Gogia 还指出，DeepSeek 至少一个流行 agent 环境的集成文档写明，内置 V4 条目不做兼容覆盖就不足以可靠运行。他的解读是，这是厂商在准确告诉市场，基准表现不等于生产就绪："A model can score beautifully and still misbehave once tools, credentials, and state enter the room."（模型可以考出漂亮分数，一旦工具、凭据和状态进场，照样出乱子。）
服务层也一样：同一套开源权重由不同托管方跑，吞吐和可用时间有肉眼可见的差异。Gogia 说，选 Flash 只回答了一个采购问题，又开了三个：谁来服务、跑在哪里、周围有什么控制。
也有企业下了单。EmpirioLabs AI 的 CEO Adam Dalloul 说，有个企业客户点名只要 V4 Flash，速度和成本之外加一个"够用的智能阈值"，测了一圈只有它满足。他团队在一个 API 上托管 100 多个模型，按任务分流：日常用 Flash，复杂任务换 Pro。
Meta 软件工程师 Naman Ahuja 用 V4 Flash 给自己做了个家居自动化 agent（个人项目，与 Meta 无关）。他的体会是，模型一旦能执行动作，可靠性就和智能同样重要："A failed text response is inconvenient; a failed action in an operational workflow can have real consequences."（答错一句文本只是不便，工作流里做错一个动作会有真实后果。）他给的指标是：从每 token 成本，转向每次成功完成工作流的成本。
53.8% 的通过率公布当天，约四倍的涨价开始生效。Gogia 的现状判断是，模型靠流量成了主流，靠合同仍未获证明；定价架构已经换了，补上这句话的生产证据还没出现。
参考链接