万字长文拆解DeepSeek V4 Pro与Harness：从后训练到「代理自进化」，更大的变化在开源框架里

一句话结论：DeepSeek V4 Pro 真正补的短板，不是”更聪明”，而是”能把一件有验收标准的活从头干到尾”——这是靠回炉重造的后训练换来的。它贵有贵的道理（单价偏贵），但单次任务成本全开源模型第二低，省钱全在缓存里。至于网上疯传的”接 Claude Code 降智”，真凶是官方模型名路由翻译，不是你模型不行。更大的门道，其实藏在它开源的 Harness 工程细节里。

老规矩，先说人话，再上数据。这几天我扒了 DeepSeek 的 v4-Pro 和它开源的 Harness，接口探针、七次编码任务（其中四次只改一个变量做对照）、把上下文压到 92 万 token 测长文本，还把它的 19.8 万行源码 + 21.7 万行测试 扫了一遍。下面我尽量把技术黑话翻译成人话，让你这个没摸过模型的小白也能听懂这代产品到底在改什么。

模型到底行不行：Pro 补的是”把活干完”

先给 v4 家族理个版本线：Flash、Pro，以及中间的 Preview，好几个版本一次性摆出来看，会有两个反直觉的发现。

第一个，Pro 比 Flash，在深度、宽度、注意力、专家池、专家内部宽度这五个维度上，确实都大跨步升级。但这五个维度 全是预训练阶段就定死的，不是后训练改出来的。有意思的是，两个模型每个 token 只激活 6 个专家，一模一样。

第二个、也是我最想讲的，是一个”时间线彩蛋”。官方那个 Flash 转正（7月31日）之后，旗舰 Pro 才姗姗来迟。为啥？翻旧账会发现，4 月那个 v4-Pro-Preview 有个硬伤：竞赛型代码题拿了三项第一，但 Terminal Bench 2.0 只有 67.9。结果 7 月 Flash 转正，同样的测试它考到 82.7，而同一张表里的 Pro-Preview 只有 72.1。

这就很扎心了：非旗舰的 Flash，实测分数反超了官方旗舰 Pro。所以我的合理推测是——DeepSeek 在 Flash 上试出来一套更好的后训练方法，然后把 Pro 回炉重造了。

指标	Preview	Flash-0731	Pro-0813
Terminal Bench 2.1	72.1	82.7	87.9
DeepSWE	12.8	—	62.7
内部全栈测试集	41.8	—	71.1

光看分数我不信，分数涨了和”活能不能干好”是两码事。我自己出了两道题验：一道是一个改动要落到五处分散的调用点，其中一处用字符串登记，grep 都搜不到；另一道是两个串联故障，修的顺序错就白修。实测六次运行全部满分，那个搜不到的点它也真找到了。这就是 Pro 这版补的核心能力——你把它交出去，然后能走开，不用在旁边盯着。

1M 长上下文真相：外推 16 倍，但没掉速

这一轮我最独家、也最好核对的发现，在 Hugging Face 的 config.json 里。65536 × 16 = 1,048,576，正好 1M。这句话翻译成人话：这个 100 万 token 的超长窗口，不是原生训练出来的，是在 64K 基础上用 YaRN 方法外推 16 倍硬凑出来的。

打个比方：一个人只在 100 米跑道上练过，你让他去跑 1600 米。不是不能跑，但最后几百米很可能掉速。而且这在同行里很特殊——三家都标 1M，路径却完全不同：

模型	长上下文路径
DeepSeek V4	外推缩放 YaRN（64K×16）
Kimi K3	换掉注意力机制本身
GLM-5.2	rope_theta 拉到 800 万

不过配置只能证明”推理期有没有做位置缩放”，不能直接证明训练长度，所以严谨说法是：只有 DeepSeek 明确用了外推。还有个更硬的料：智谱官方模型卡里明写 GLM-5 集成了 DeepSeek 的稀疏注意力（DSA），连架构类名、index_head_dim 连值都是 128。这不是推断，是对面正面承认的。

按通常工程认知，外推的代价会压在窗口后段。我跑脚本实测：把能判断对错的事实埋进 385 万字（923,858 个输入 token）的不同位置，五个位置各埋两条，10/10 全命中，零编造。那个 95% 的位置，落在约 90.2 万 token 处——真正的尾巴。所以结论很硬：外推没让窗口后段衰减。当然官方自己建议 Claude Code 接入时把自动压缩窗口设在 768K（1M 的四分之三），意思也很明确：别硬跑满。

钱的问题：单价贵，但单次任务便宜

第三方机构 Artificial Analysis 明确把它标为 “expensive（贵）”：输入价 $1.32/百万 token，同类中位数才 $0.33。但关键数据在后面——它每个任务只花 $0.25，在 106 个开源大模型里排第二低。

模型	每任务成本	相对深度Seek
DeepSeek V4 Pro	$0.25	基准
Kimi K3	$0.84	贵 3.4 倍
GLM-5.2	$0.32	接近
Claude Opus 5	$2.34	贵 9.4 倍

一句话总结它的花钱逻辑：起步价贵，但路线短、绕得少，一趟算下来反而便宜。真正能省钱的是缓存。Agent 干活天生绕弯，读一遍不够读两遍，改错了再改回来，绕弯就是烧 token。

我们实测同一份 92 万 token 上下文，第一次提问花约 ¥9.00，第二到第五次加起来只花 ¥0.28。为什么？前五次被缓存命中的部分完全一样，只有 143~151 个 token 是新的。这就像熬火锅底料，第一次熬最贵，之后每次下菜只加一点新料——但底料一旦被改动一点点，就得从头重熬。所以让它多试几遍没关系，大头永远在第一次。

接错框架会降智：官方路由在背锅

社交媒体和知乎早有用户实测：把 V4 Pro 接进 Claude Code 明显变差，换 OpenCode 就正常。作者自己都说不清是模型问题还是工具问题。我打了接口实测，答案是官方路由导致的，不是模型。

为了让 Claude 生态的工具直接接过来，DeepSeek 做了一层模型名翻译。Anthropic 那边有三档（Opu…），它在中间做了个映射层，把请求形状重新包装。问题出在这层翻译上，不是你模型本身降智。所以如果你发现”接入第三方 Harness 降智”，先别急着骂模型，大概率是路由这层没对齐。

Harness 解决什么，谁适合它

这才是我想重点说的。DeepSeek 把 Harness 也开源之后，你会发现它对成本的敏感，不只写在模型和定价上，而是直接写进了 Agent 的运行方式里。我扫源码时抓到几组数据：

把前面几章串起来，同一件事在不同层面反复出现：架构层 MoE 让总参像 1.6T、算力像 49B；定价层单价贵但每任务第二低；缓存层 92 万 token 第一次 ¥9、后四次 ¥0.28；工程规范层 215 个包必答缓存问题、plan 模式宁不摘工具、连标题都限 64 token。DeepSeek 一直在干同一件事：用更少的算力和上下文，买同样的产出。

谁适合它？一句话：高频、长上下文、能复用缓存的工程团队最吃香。你要是偶尔聊两句、一次性任务，那起步价会让你肉疼；但你要是把它当成”一次熬底料、反复下菜”的生产力工具，它省下来的钱能让你笑醒。至于普通小白日常随便问问，其实 Flash 那档就是官方认定的主力性价比，没必要追 Pro。