DeepSeek V4 Pro与Harness深度拆解：后训练成主战场，缓存优化控成本

AI 摘要

雷峰网发布万字长文，拆解DeepSeek V4 Pro与Harness框架。文章通过实测发现，V4 Pro在Terminal Bench等agentic任务上大幅提升，但相比Flash性价比不高，且其1M上下文是通过YaRN外推实现，但实测未衰减。DeepSeek通过缓存优化和定价策略控制成本，并开源Harness框架，强调后训练成为旗舰模型升级主战场。

正文节选

不管哪个时代，人都会遇到同一道题：无论宏大叙事还是人生决策，面前问题太复杂，资源和时间却不够，必须决定先做哪个、放弃哪个。（雷峰网(公众号：雷峰网)） 从 1812 年黑格尔的辩证法，到马克思、列宁，再到 1915 年毛泽东在延安写下的《矛盾论》，一百多年里，这套思想最终落到了一个很实际的问题上：复杂事物中矛盾很多，但真正重要的是找到决定其他矛盾的主要矛盾。 今天的大模型行业也不例外，当前大模型行业面临的主要问题有以下这些： 1.模型能力的增长速度，同把这种能力转化成可靠产出的能力之间的矛盾（模型强，但产出物没价值）。 2.算力资源受限，同能力需求无限之间的矛盾（人们总吐槽 AI 太傻）。 3.单价在快速下降，同真实账单在上涨之间的矛盾（模型便宜了，但每个月花的更多了）。 4.要做通用智能，同要交付一个能用的产品之间矛盾（简单的不好用，好用的不简单）。 这些矛盾才构成了交错向上发展的行业和机会。没有人能逃避这些选项，DeepSeek 也一样。 我们对 deepseek-v4-Pro以及 Harness 做了几轮实测：直接打接口的探针、七次编码任务运行（其中四次是只改一个变量的对照）、把

发布时间：2026-09-01 16:41

抓取时间：2026-09-01 19:04

来源机构：雷峰网