从昨夜到今天下午，DeepSeek V4 Pro正式版经历了一场过山车。
8月13日凌晨，DeepSeek没有预热，没有发布会，只是悄悄修改了API文档，官方还释放了一张得分不错的榜单。等待近四个月的V4 Pro正式版，就这样突然出现在公众视野里。
随后，海外开发者和AI圈迅速沸腾，直呼Deepseek V4 Pro正式版性能几乎追平Fable 5。
可几个小时后，故事开始出现反转。被调侃为滑动变阻器的梁文锋，在一天之内从“梁圣”又变成了“梁子”。
不少开发者体验后发现，V4 Pro正式版远没此前V4 Flash惊艳。与此同时，DeepSeek官方对这次发布没有更多说明，甚至到了下午，Deepseek官网突然撤下V4 Pro正式版公告。
于是出现一些猜疑，V4 Pro究竟是能力不及预期，还是这次发布本身就还没有真正完成？一位开发者对我们做出一个大胆的猜测，会不会是模型已经准备好了，但Harness还没准备好，DeepSeek准备等两者一起端上来？
如果答案真是后者，那么现在看到的V4 Pro，或许还不是故事的最终版本。
01
陷入争议的DeepSeek V4 Pro正式版
8月13日凌晨，DeepSeek没有发布预热海报，只是悄悄修改了API文档：deepseek-v4-pro背后的模型版本，从此前的Preview变成了DeepSeek-V4-Pro-0813。
这意味着，被外界等待近四个月的V4 Pro正式版终于上线。
消息在X等海外社交平台迅速沸腾。AI Coding工具Cline称它的Terminal-Bench 2.1成绩，较4月预览版提高15.8个百分点，以低约57倍的价格达到Claude Fable 5的水平，可能是“目前市场上性价比最高的模型”。
这条内容被大量开发者、投资人、AI博主转发。
科技投资人Jennifer Zhu Scott感叹，DeepSeek几乎是在“嘲弄全球AI行业”。曾参与Google AI加速器软件研发的工程师Shantanu Goel则认为，这一价格足以让V4 Pro冲击大量同类模型。
在反映真实开发者偏好的Arena.ai榜单里的前端 Web 开发任务中，DeepSeek V4-Pro-0813已经在短短半天冲到了gpt-5.6-sol-xhigh和glm-5.2-max之间。
今天早上有一波报道跟进，大多是夸赞V4 Pro正式版的，普遍将V4 Pro 正式版描述为一次明显的能力升级，尤其强调其Agent能力提升，以及在部分测试中已经逼近甚至对标顶尖模型Fable 5。
比如在Terminal-Bench 2.1上，V4 Pro正式版拿到了87.9分，距离Fable 5的88.0只差0.1。
另外，作为目前性价比最高的旗舰级Agent模型，DeepSeek V4-Pro-0813没有在绝对能力上击败所有海外模型，但正在让OpenAI、Anthropic们的模型定价显得越来越难以解释。DeepSeek的性价比王冠，还是戴得好好的。
一时之间，一个达到Fable水平、API价格只有其1/50、缓存价格还更低的模型，引发了更多的开发者涌入测评。
但兴奋只持续了几个小时。很快，一些程序员和工程师们体验之后发现，远不如此前V4 Flash惊艳。
我们在DeepSeek官方社群里看到，一些测试过程体验不好的程序员，不敢相信这是V4 Pro的水平，他们甚至认为V4 Pro版可能还没有正式发布，或者还没完全部署。
其中一个数据更让他们难以置信。
V4 Pro在Terminal-Bench、CyberGym、DeepSWE等Agent评测上大幅领先Flash，但Artificial Analysis给V4-Pro-0813打出53分，只比参数规模小得多的V4-Flash-0731高1分。与GLM-5.2持平，低于Kimi K3的60分。
这也带来了一个非常有意思的问题，一个1.6万亿参数、单次激活490亿参数的Pro模型，为什么只比2840亿参数、激活130亿参数的Flash高1分？
开发者Jun Song将V4 Pro接入自己的Agent框架后表示，“相对于benchmark，模型的实际表现有些令人失望。”尽管V4-Pro-0813明显强于当前被算力限制，能力有所下降的部分Opus服务端版本，但没有达到benchmark，给人的那种全面接近顶级闭源模型的感觉。
Jun Song的评价代表了不少海外开发者群体的心声，“中国模型公司在小模型上表现得异常出色，例如Qwen 27B、V4 Flash和GLM-5.2，但到了更大的旗舰模型，能力提升往往没有随着参数同步放大。”
网络安全公司Aikido的测试，则同时为两方舆论提供了证据。V4 Pro连续运行三次后，找出了32个真实漏洞中的28个，87.5%的召回率超过Opus 5和Qwen 3.8。
但它报告的漏洞只有65.6%真实有效，单次平均只能找到58.3%的漏洞。
评论区有人提出了解法，用更便宜的V4 Pro完成第一轮扫描，然后再用GPT-5.6 Sol或者人工审计过滤误报，这可能比某一个benchmark第一更接近V4 Pro的商业价值。
V4 Pro正式版带来的风波，似乎也暴露出DeepSeek在Agent和Coding上作为追赶者的慌乱与焦虑。
02
DeepSeek Harness会爆吗
Harness无疑是Deepseek接下来的重心。
其实早在V4 Flash正式版发布时，DeepSeek就已经释放了这个信号。官方更新日志里提到，对于公开代码Agent任务，测试使用了“DeepSeek Harness minimal mode”，并且这一框架即将发布。
官方还明确说，V4 Flash0731与Preview版本保持相同的模型架构和规模，主要变化来自后训练。
而这次V4 Pro的评测，官方目前还没有披露更多细节，更没有提到 Harness。
但是，鉴于这次V4 Pro正式版跑分较高，DeepSeek一个官方交流群里，一位程序员则提出了一个猜测：“官方公布的V4 Pro高分数据，可能也是在搭配DeepSeek Harness环境下跑出来的。”
如果DeepSeek V4-Pro的高分来自自研dsh（Code Harness），那么这个成绩更准确地反映的是“V4-Pro+dsh”这一整套 Coding Agent 系统的能力，而不单单是V4-Pro模型本身的纯模型能力。
另一方面，由于DeepSeek Harness目前尚未正式发布，普通用户即使使用同一个模型，也很难复现官方的成绩。这或许也是开发者体验V4 Pro正式版不太好的原因之一。
上述程序员对我们说，“我压根不在乎他是不是裸跑的成绩，用户只需要知道，怎么样才能跑出你这个成绩。”
模型真正进入终端环境后，面对的并不只是写代码这么简单。它需要理解陌生环境，寻找文件，安装依赖，修改代码，执行命令，读取报错，再根据反馈重新尝试，最后还要通过自动测试。
其中任何一个环节出现问题，都可能导致整个任务失败。
一个Agent在这类测试中的最终表现，很难只归因于模型本身。模型决定能想多深，Harness决定怎么干活，Tools决定能做什么。
这也是为什么，如今评价一个Agent的能力，单看模型Benchmark已经越来越不够了。
不过这次真正让行业兴奋的，也正是DeepSeek Harness这个尚未完整亮相的变量。
Harness被认为是DeepSeek从模型走向Agent的关键一步。
今年5月，DeepSeek开始公开招聘Agent Harness产品经理和研发工程师，并表示，正在把DeepSeek的模型能力转化为Agent产品，“模型本身以外的所有工作，都属于Harness的范畴。”
DeepSeek资深研究员陈德里还在社交平台进直接发帖招人，标题就是：“来DeepSeek从零做Code Harness。”并且明确写着，对标Claude Code，做DeepSeek Code Harness。
这意味着DeepSeek要做的并不是简单的给大模型加一个编程插件，要从底层重新搭一套自己的Coding Agent运行体系。
一位开发者告诉我们，万众瞩目的Deepseek Harness，可能不会大爆。“现在我用的比较好的agent工具，codex 、zcode、pi，这些感觉架构形态基本上已经趋同，DeepSeek Harness估计也是跟这个差不多，性能增幅大，也不会太大。”这位工程师说。
关于Deepseek为什么撤掉V4 Pro正式版的公告，在Deepseek官方社群里，有人猜测是因为上错了版本。
不过上述开发者告诉我们，未必，另一种可能是V4-Pro本身已经准备就绪，但DeepSeek Harness还没有完全准备好，官方可能打算把模型和Harness一起端上来。
这个猜测并非完全没有依据。DeepSeek此前公布的Agent基准成绩，就明确提到使用了DeepSeek Harness。这几天，一个灰色头像的“Deepseek Harness团队”的公众号，开始在一些微信群里广为流传，只是尚未发布任何内容。
刚刚完成510亿融资的Deepseek，能否再次证明自己，或许还要等Harness登场后再看。
文｜马舒叶
编辑｜吴寻