DeepSWE 62.7 分!DeepSeek V4 Pro 正式版这一夜,把“AI打工人”练成了,离 Fable 5 只差一口气

原创2026-10-24 18:47:411,342 阅读

DeepSWE 62.7 分!DeepSeek V4 Pro 正式版这一夜,把“AI打工人”练成了,离 Fable 5 只差一口气

8 月中旬的一个深夜,DeepSeek 悄悄把 V4 Pro 的正式版(0813)挂上了开源仓库,没有发布会,没有预热视频。

结果第二天一早,技术圈的目光全被跑分表里的一行数字吸走了:DeepSWE,12.8 → 62.7。

同一个模型骨架,同一个“大脑”,分数直接翻了近五倍。很多人第一反应是:这不可能吧?是不是换了个模型?

答案有点意思——脑子没换,换的是“职业训练”。

一、先搞懂 DeepSWE 是啥:它不是考试,是“上班”

我们平时看到的大模型跑分,大多是“答题”。给你一道题,你写答案,对错立判,就像知识竞赛。

DeepSWE 完全不是这个路子。

它更像把一整个外包项目丢给 AI:需求文档在这,代码仓库在这,你自己看、自己改、自己跑测试、自己发现报错、自己回头修。中间可能要走几十上百步,任何一步“断片”,前面全白干。

打个比方:普通答题考的是“你会不会背菜谱”,DeepSWE 考的是“把你扔进厨房,两小时后来一桌菜,还得能入口”。

这也是为什么,这项分数在业内被看作“AI 到底能不能真替人干活”的分水岭。

二、62.7 分,到底站在什么位置?

把官方公布的同桌考生拉出来排一排,就直观了:

模型 DeepSWE 得分
DeepSeek-V4-Pro(预览版) 12.8
GLM-5.2 46.2
DeepSeek-V4-Flash-0731 54.4
Opus-4.8 58.0
DeepSeek-V4-Pro-0813 62.7
Kimi K3 67.5
Fable-5(带 fallback) 70.0

几个关键信号:

第一,它把上一代的自己按在地上摩擦。 预览版 12.8 分,说实话属于“能跑但经常跑飞”的水平;正式版 62.7,是能连续把活干完的水平。

第二,它越过了 Opus-4.8。 58.0 对 62.7,差距不算悬殊,但在 Agent 这种“差一步就全崩”的任务上,几个点往往意味着少折腾半小时。

第三,它没赢过 Kimi K3 和 Fable-5。 67.5 和 70.0 还在前面,尤其 Fable-5 依然稳坐头把交椅。

标题里说的“逼近”,是真逼近,不是追平。

更有意思的是另一张榜单——Terminal Bench 2.1,考的是在命令行里真刀真枪操作:V4 Pro 拿到 87.9,反超了 Opus-4.8 的 85.0,也压过 Fable-5 的 88.0 只差一丝。而在考“工具使用”的 Toolathlon 上,74.1 分也已经贴到了 Opus 的 76.2 身后。

一句话总结:在“动手干活”这件事上,它已经挤进了第一梯队;在“纯脑力硬啃”上,还差口气。

三、这分数是怎么“逼”出来的?

这才是整件事最值得琢磨的地方。

模型的结构、参数规模,正式版和预览版几乎一样——1.6 万亿参数的混合专家架构,384 个“专家”里每次只叫醒 6 个干活,百万级上下文,这些底子没变。

真正被狠狠补课的,是“后训练”。通俗说就是:大脑毕业后,进了一家规矩极严的公司实习。

从公开的技术资料里,能看出三招很关键。

第一招:把“自由发挥”改成“填表格”

以前 AI 调用工具,像是在微信里随口说“帮我查个天气”,格式五花八门,外面的程序经常接不住。

V4 Pro 换了一套非常严格的结构化写法:要调哪个工具、参数叫什么、是文本还是数字,全都有固定位置,像填一张规定好的报销单。

好处是什么?外面接它的一套系统不用再猜、不用再纠错。AI 说得规矩,机器才接得住,长流程才不会在第 8 步突然“格式不对”而崩溃。

第二招:干活的时候,不许把便签扔了

这是很多 Agent 的老毛病:聊到第 20 轮,它把前面想通的推理全忘了,于是开始重复犯错、绕圈子。

V4 Pro 的做法挺朴素——只要这场对话里带了工具,前面每一轮的“思考过程”全部保留,一句不删。

打个比方:装修师傅干到下午,还留着上午画的尺寸草图和踩过的坑。不扔便签,才不会把水管又装错一次。

第三招:给它装了个“用力档位”

新版本把思考强度分成三档:低、高、最高。

档位不是改参数,而是在开场先给它下一道“军令状”。最低档是正常干活;最高档的原文几乎是这种口气:不许走捷径、不许留任何未验证的假设、把每条因果链追到根上、不确认到万无一失不许停。

配套的还有一点:最高档下,模型最长能一口气输出 38 万多个 token 的推理。这已经不是在“想一下”,而是在写一份几十万字的现场调查报告。

所以你看到的 62.7,不全是“变聪明了”,很大一部分是被规矩和狠话逼出来的执行力。

四、含金量和水分,得算三笔账

看到这里,先别急着喊“吊打”。有三件事必须说清楚。

第一笔账:提升是真的。 12.8 到 62.7,这种幅度的跃升在成熟模型上极其罕见,而且它同时在其他几个 Agent 榜单上一起涨——NL2Repo 从 38.5 到 61.5,Cybergym 从 52.7 到 83.3,AutomationBench 从 12.8 到 31.8。多个方向一起抬升,不太可能是刷单一榜单刷出来的。

第二笔账:这是“最好状态”下的成绩。 官方说明里写得很直白:这些代码 Agent 项目,用的是自家 Agent 框架的最小模式,思考档位开到最高。翻译一下:这是它穿着最合脚的鞋、在自己家客厅跑出来的成绩。 不代表你随便接个工具、随手问一句,就有这个水平。

第三笔账:对手也不是满血。 表里 Fable-5 后面那个“带 fallback”的小注,意思是对手在测试中允许了备用方案兜底。所以 70.0 和 62.7 这两个数字之间,既有真实差距,也掺着一点规则差异。 另外,在 HLE 这种硬核知识推理上,它是 42.7(带工具 60.0),依然明显落后 Opus 的 49.8 和 Fable 的 53.3;内部难题集 DSBench-Hard 是 67.2,也没追上 Opus 的 71.7。

一句话:它是“最能干活的国产选手之一”,不是“全面最强”。

五、还藏了个提速大招:DSpark

除了分数,正式版还悄悄挂了个叫 DSpark 的模块。

这东西的原理特别像老司机开车:前面路况熟,提前轻踩油门“预判”接下来几步该怎么走,一次先猜出 5 到 7 个词;猜对了,直接跳过去,省下好几次完整计算;猜错了,退回来重走。

对于 Agent 这种“要连续输出几万字”的场景,这个提速很实在——不是让它更聪明,是让它别在正确的路上磨蹭。

六、普通人能怎么用?门槛到底多高?

先说结论:想在自己电脑上跑,基本别想。

官方给出的部署示例,是一台装了 4 块 GB300 的服务器起步的量级。这不是“显卡好一点”的问题,是“机房见”的问题。权重文件被切成了 66 个分片,光下载就得有点耐心。

但普通人有三条更现实的路:

一是直接用网页版和 App。 官方已经上线,日常问答、写文案、分析长文档都能用,百万级上下文意味着你可以一次性把几十份合同、整套长篇小说丢进去让它通读。

二是走 API。 现在主流的编程工具、编辑器插件基本都能接,社区里已经有一堆“半小时接好”的教程。价格大约是 Flash 版的三倍,但横向比海外同级别模型,仍然是“价格屠夫”路线。

三是企业私有化。 这次权重是 MIT 协议开源的,对有数据保密要求的公司来说,这是关键一步——模型可以搬进自己的机房,数据不出门。

适合谁?整天跟代码、脚本、重复流程打交道的开发者,是第一受益人;需要批量处理长文档的法务、研究员、自媒体,是第二受益人。 只是日常聊天问答的话,更便宜的 Flash 版反而更划算。

也得说清楚短板:它依然是纯文本模型,看不懂图片和视频;高并发场景下还有调用限制;而且“涨价”的传闻一直没停。

七、写在最后

这次更新真正让人后背发凉的,不是某个分数超过了谁。

而是它证明了一件事:一个开源模型的“干活能力”,可以在骨架不变的情况下,靠后训练被硬生生拔高五倍。

这意味着,未来模型之间的差距,可能不再是谁的参数多、谁的显卡多,而是谁更会“带徒弟”——谁的规矩定得更细、谁的训练数据更贴近真实工作流。

对普通人来说,这其实是好事:能自己拆任务、自己查资料、自己把活干完的“数字同事”,正在从演示视频里走出来,变成能按小时计费的工具。

那么问题来了——

如果有一天,AI 能在你睡觉的时候把一个完整项目做完,只留一句“已交付,请验收”,你是会更轻松,还是会更焦虑?

评论区聊聊,你希望它先替你干掉哪件最烦的活。

登录后查看全文
DeepSeek-V4-Pro-0813