DeepSeek发布V4-Flash-0731：聚焦智能体与代码能力升级

正式发布与定位

DeepSeek于2026年7月31日正式发布DeepSeek-V4-Flash-0731，同步将官方V4-Flash API推入公开测试阶段。Hugging Face模型库已上线对应checkpoint，模型卡明确指出：此为官方正式版，取代此前预览版本；其架构与参数规模保持不变，全部性能提升源于重后训练（re-post-training），而非新模型设计。该checkpoint集成了DSpark推测解码模块，与DeepSeek-V4-Flash-DSpark结构一致。Hugging Face页面显示总参数量为304B，其中包含284B基础模型及附加的DSpark草案模块。

API与部署选项

API层面，deepseek-v4-flash现已原生支持Responses API格式，并适配Codex生态。需注意：V4-Pro API、App端及Web端模型均未同步更新。部署方式分为两类：一是通过API调用，门槛极低——DeepSeek定价页显示，输入token缓存未命中时为$0.14/1M tokens，命中时仅$0.0028，输出为$0.28/1M tokens，支持2500并发；该价格约为V4-Pro输出成本（$0.87/1M）的三分之一，使早期初创公司、独立开发者及内部平台团队无需GPU预算即可运行智能体循环。二是自托管部署，门槛显著更高：模型权重以MIT协议开源且无访问限制，但因采用稀疏专家架构，所有专家参数常驻内存（尽管每token仅激活13B），对硬件要求严苛。DeepSeek官方vLLM示例需单台4×GB300节点；Unsloth提供的动态GGUF量化版本中，无损8-bit构建占用162GB，3-bit版本为103GB，合计需约110GB RAM+VRAM。该方案适用于具备推理集群的中大型企业，或经激进量化后使用高性能工作站的场景。

架构与训练细节

据DeepSeek-V4技术报告，V4-Flash为284B参数混合专家（MoE）模型，每token激活13B参数，上下文窗口达100万tokens。每个MoE层含1个共享专家与256个路由专家，中间维度2048，每token激活6个专家；前3层采用哈希路由；多token预测深度为1；注意力机制为压缩稀疏注意力（CSA）与重度压缩注意力（HCA）混合；残差连接被流形约束超连接（mHC）替代，扩展因子为4，Sinkhorn-Knopp迭代20次；预训练数据超32万亿tokens，优化器为Muon。需注意：报告中宣称的“相较V3.2在100万上下文下，单token推理FLOPs降低至27%、KV缓存降至10%”这一效率指标，明确归属V4-Pro，非V4-Flash。

基准测试表现

所有测试结果均来自DeepSeek官方发布的0731模型卡。在多项智能体与代码任务中，V4-Flash-0731全面领先：Terminal Bench（2.1→82.7）、NL2Repo（54.2→39.4）、Cybergym（76.7→38.7）、DeepSWE（54.4→7.3）、Toolathlon-Verified（70.3→49.7）、Agents’ Last Exam（25.2→15.8）、AutomationBench Public（25.1→10.8）。值得注意的是，代码智能体任务基于尚未公开的DeepSeek Harness最小模式运行；DSBench-FullStack（68.7）与DSBench-Hard（59.6）为内部测试集；智能体得分高度依赖评测框架，第三方复现结果可能存在偏差。

推理与使用说明

启用DSpark仅需vLLM一个标志：`--speculative-config '{"method":"dspark","num_speculative_tokens":7,"draft_sample_method":"greedy"}'`。DSpark论文称，在匹配聚合吞吐量前提下，V4-Flash相较MTP-1基线可实现用户侧生成速度提升60–85%。模型不提供Jinja聊天模板，DeepSeek另附`encoding/`目录，含`encode_messages`与`parse_message_from_completion_text`工具函数。`reasoning_effort`参数支持`low`、`high`、`max`三档；推荐智能体场景使用`temperature=1.0, top_p=0.95`，其余场景统一设为`temperature=1.0`；`high`与`max`档位支持最高384K输出tokens。