DeepSeek V4 Pro 与 Flash：到底该用哪一个
DeepSeek 的 V4 系列用同一种架构提供两个价位：旗舰 V4 Pro，以及面向高吞吐的低价模型 V4 Flash。Flash 的价格比 Pro 低很多，而对大多数负载来说，能力差距比价格差距小得多，这正是这个选择有意思的地方。
下面是跑分实际显示的结果，以及一条既省钱、又不在关键处牺牲质量的分流规则。数据截至 2026 年 8 月。
简短的结论
- Pro 的代码能力在全球居于前列：在 SWE-bench Verified（衡量解决真实 GitHub issue 的跑分）上，与 Anthropic 的 Claude Opus 4.7 在统计上持平（80.6 对 80.8），Codeforces 评分高于 GPT-5.5。
- Flash 在编程跑分上与 Pro 只差 1–2 分，价格却低很多；在综合智能指数上落后约 5 分。差距体现在知识深度，以及最复杂的多步 agent 任务上。
- 变化在于：DeepSeek 重新训练的 Flash 版本（V4-Flash-0731，2026 年 7 月下旬发布），在 DeepSeek 公布的 agent 与编程跑分上，实际高于较早的 Pro 预览版。低价那一档也在进步。
价差换来了什么
当前的输入、输出和缓存读取价格（每百万 token）都公布在模型页：deepseek-v4-pro 和 deepseek-v4-flash。每次请求以控制台显示的实时价格为准。
有两点值得注意。一是即使是 Pro，按前沿模型的标准也很便宜，DeepSeek 正是靠这一点出名的。二是线路支持提示词缓存时，命中缓存的输入按各模型页公布的缓存读取价计费；对每轮循环都重读同一段上下文的 agent 负载来说，这一点影响很大。
Pro 什么时候值得多花钱
把难的那 20% 交给 deepseek-v4-pro：
- 多文件重构和真实的 bug 修复，SWE-bench 级别的能力在这里直接起作用
- 长的 agent 链条，一步出错就会层层放大
- 依赖深层知识，而不是基于给定上下文推理的任务
Flash 什么时候适合作为默认
把量大的那 80% 交给 deepseek-v4-flash：
- 大规模的摘要、分类、抽取和格式整理
- 代码补全和样板代码，1–2 分的差距在这里看不出来
- 后台流水线，吞吐和单价比每次调用的质量更重要
- 基于你提供的上下文推理（检索增强的场景），知识深度没那么重要
一个好用的思路：交给一位能干的通才去做的活，用 Flash；需要专家签字确认的活，用 Pro。
两个都用，按任务分流
实际的做法不是二选一，而是分流。通过一个 OpenAI 兼容 API（比如 BoostRail），两款模型只差一个字符串：
# 同一个客户端、同一份代码，模型 ID 就是分流决定
fast = client.chat.completions.create(model="deepseek-v4-flash", messages=batch_job)
deep = client.chat.completions.create(model="deepseek-v4-pro", messages=hard_task)
每个负载先用 Flash；输出质量明显不够时，再升到 Pro。很多负载里，适合 Flash 的流量比预想的多。成本计算器可以按你的具体组合算出数字。
常见问题
Flash 就是「笨一点的 Pro」吗？ 它是同一系列的小规模版本，为吞吐做了调优。在编程上非常接近；在深层知识和最难的 agent 工作流上，差距是实际存在的。0731 这次重新训练，进一步缩小了 agent 任务上的差距。
为什么 DeepSeek 的模型比其他前沿模型便宜这么多？ 架构做得非常高效，再加上开放权重的策略。它们的价格不是促销，而是 V4 系列本来的定价。
通过 BoostRail 用的是哪个版本？ 模型用固定的 ID deepseek-v4-pro 和 deepseek-v4-flash 提供，版本后缀不需要你自己管；它们的线路至少每周与官方模型比对一次。当前价格始终以模型页为准。
*跑分数字截至 2026 年 8 月，核对自已公布的第三方评测；模型格局变化很快，分流规则可以长期用，具体数字会过时。*