DeepSeek 新旗舰和 Grok 4.6 同一夜上线，你手上的模型该不该换

先说 DeepSeek V4 Pro：它到底强在哪

这次发布的是正式版，DeepSeek 官方给的编号是 V4-Pro-0813。之前四月份出过一个预览版，很多人试过觉得一般，这次是脱胎换骨。

先看官方自己放出来的跑分表：

这张表列了一堆评测集，名字看着都头大。我挑两个最能说明问题的，用大白话解释一下它们在考什么。

第一个叫 Terminal Bench。你可以把它理解成：把模型直接扔进电脑的命令行里，让它自己装环境、敲命令、遇到报错自己想办法，最后真把活干完。这考的是「能不能独立干成一件事」，跟咱们平时让 CodeX 自己跑任务是一回事。

这一项，V4 Pro 正式版考了 87.9 分。预览版是 72.1，一次涨了 15 分。Claude 那边最强的 Fable 5 是 88.0 分，Opus 4.8 是 85.0 分。

差 Fable 5 零点一分，反超了 Opus 4.8。

第二个叫 DeepSWE，考的是更接近真实的软件开发：读懂一整个代码项目，然后处理里面复杂的工程问题。V4 Pro 考了 62.7，预览版只有 12.8。Fable 5 是 70.0，Opus 4.8 是 58.0。

这项它还差 Fable 5 一截，但同样超过了 Opus 4.8。

表里另外几项也可以看看。网络安全那项（Cybergym）它 83.3 分，Fable 5 是 83.1，它反超了。数据科学的难题那项（DSBench-Hard）它 67.2，Fable 5 是 68.3，几乎咬住。

给它工具、让它动手操作，DeepSeek V4 Pro 已经挤进第一梯队了。不给工具、光靠它肚子里的知识和推理，跟 Fable 5 还差十几分。

跑分是抽象的，它实际能干出什么活

今早爱范儿也发了一篇实测。他们用的工具正好是咱们熟悉的 WorkBuddy，做的也是普通人能看懂的活，比跑分好懂。

第一个任务，他们让它从「微信读书 Skill」里读出八月的读书数据，做成一个 HTML 数据报表。

这活儿不难。有意思的是它多做的一步：它跑去翻了文件库里另一个跟这次任务无关的「爱范儿设计规范 Skill」，按那套规范给报表配上了公司的专属配色。

没人告诉它要这么干。正在搞 Skill 大赛的同学可以记一下这件事：Skill 不光是被动等着被调用，模型够聪明的时候，它会自己判断该把哪几个凑起来用。

再往后，他们让它做一个新闻网站首页，提示词写得相当模糊，没规定版式，没规定风格。它自己搜了近期真实的科技新闻，模仿传统媒体做了衬线字体的版式，还「手绘」了一张配图。

还有俄罗斯方块和一个模拟鸟群飞行的互动组件，方块带了点伪 3D 的效果：

布置这几个任务的时候，作者只跟它说了一句「我要去睡觉」。做什么方向、怎么实现，全是模型自己掂量的。

这句话比跑分更能说明「Agent 能力」是什么意思。你给个大概方向，它把模糊的要求拆成清楚的需求，自己规划，分步做完。

它便宜到什么程度

我去 DeepSeek 官方定价页核对了当前价格，直接说人民币，按每百万 Token 算（一百万 Token 大概相当于一两百万汉字）：

输入，缓存没命中 3 元，缓存命中只要 0.025 元。输出 6 元。

让它吐出一百万字的东西，六块钱。

Claude 那边的 Fable 5 是输入 10 美元、输出 50 美元。输出这一项，DeepSeek 便宜了大约 57 倍。缓存命中的输入差了将近 300 倍。

这里插一句「缓存命中」是什么意思，之前的精选里也讲过：同一场对话里，你每次提问都会自动带上前面的聊天记录，这些「旧内容」它刚处理过、还热乎着，不用重新算一遍，所以收费极低。跟 AI 聊得越久，旧内容占比越高，平均下来越便宜。

一个 Agent 能力接近顶尖的模型，跑起来的成本只有对手的几十分之一。这个局面挺少见。

但它有三个短板，必须说清楚

第一个短板最要紧，它不支持多模态，说人话就是看不了图。

我把官方模型说明翻了一遍，视觉、音频、视频一个都没有。发布前有过「原生多模态」的传闻，最后没有兑现。

这对咱们的影响很具体：你想把一张报错截图丢给它看、让它帮你分析，不行；你想让它看着一张设计稿改网页，不行；你想让它读一份扫描版的 PDF，也不行。这些活儿它一概干不了。

第二个，速度一般。这一点卡兹克在文章里讲得很直白，他同时开着两边跑任务，Grok 那边跑完三个了，DeepSeek 这边一个还没跑完。这是他的实际体验，我照实转述。

第三个，涨价预告还悬在头上。我今天又去官方定价页看了一眼，那句话还挂着，说近期计划整体上调价格、预期涨幅较大。上面那些数字，都是「目前」的价格。

再说 Grok 4.6：它赢在速度

Grok 4.6 是 8 月 12 号发布的。先看 xAI 官方给的跑分：

有个综合智力评分叫 AA Intelligence Index，Grok 4.6 是 61 分，上一代 Grok 4.5 是 56 分，GPT-5.6 Sol 是 61 分，Fable 5 是 62 分。基本追平了第一梯队。

有几项它是全场最高的：一个模拟真实经济活动价值的评测（GDPVal）它 1753 分，Fable 5 是 1741；一个考公文和商务处理的评测（AA-Briefcase）它 1577，Fable 5 是 1574；法律那项它 15.8%，其他家都在 12% 以下。

做财务模型、写报告、处理法律文书这类办公场景的活儿，它是真强。

短板也在表里明摆着。终端任务那一项（Terminal-Bench v3.0）它只有 26%，GPT-5.6 Sol 是 34.6%，Fable 5 是 34.1%。让它自己进命令行折腾环境，它比对手差一截。

别把这个 26% 跟前面 DeepSeek 那个 87.9 放一起比，那是两份不同版本的考卷（一个 v3.0 一个 2.1），难度不一样，比了没意义。

这张表是 xAI 自己发布的，脚注写明了对手的成绩取自公开数据。厂商自己的跑分表，看个趋势就好。

Grok 有条计费规则，不注意会多花钱

Grok 4.6 的上下文是 50 万 Token，价格是输入 2 美元、输出 6 美元。

但我在 xAI 官方文档里查到一条卡兹克文章里没提的规则：一旦你这次请求的内容超过 20 万 Token，价格全部翻倍，输入变 4 美元、输出变 12 美元。

注意是「全部」，不是超出的部分翻倍。

如果你习惯把一大堆资料一次性丢给它，或者一场对话聊得特别长，很可能在毫不知情的时候跨过那条线，账单翻一倍。用它处理长文档的同学留意一下。

它能看图，支持图像输入，单张最大 20MB，正好补上 DeepSeek 的缺口。

它的知识截止到 2026 年 2 月，问它更近的事情要让它联网。

卡兹克的判断：不可能三角，和一条斩杀线

这两个模型的消息我是从卡兹克那儿看到的。他提了一个说法，我觉得值得单独讲讲。

他说大模型一直有个不可能三角，性能、价格、速度，三样很难同时满足。

聪明的模型往往又贵又慢。便宜的模型速度可以，但能力差一截。又快又聪明的，价格就下不来。

前两项大家讨论得多，但速度这一项经常被忽略。他的原话是：

如果你和我一样，每天接近十个小时的时候，几乎都在让各种 Agent 不停歇的干活，速度有时候就是一个至关重要的因素。

他描述的那个状态很多人应该有共鸣。一个任务跑十几分钟很常见，半小时起步也不稀奇。人被卡在那儿，百无聊赖，只能刷手机，时间被硬生生切成碎片。

他认为这一夜之后，这个三角从两个方向被撕开了口子。DeepSeek 用极低的价格证明了准顶尖的 Agent 能力可以很便宜，Grok 用速度证明了接近顶尖的能力可以跑得飞快。夹在中间不上不下的模型，日子就难过了。

他还公布了自己重新分配后的模型组合：日常主力开发用 Grok，最难、绝对不能出差错的大任务交给 ChatGPT 和 Codex，那些不要求实时反馈的自动化任务全部切给 DeepSeek V4 Pro。他为此付了 300 美元的 Grok 会员，又给 DeepSeek 充了一千块。

他还有一句话我挺认同的，抄在这儿：

在很多时候，速度也会把模型的智力，真正变成生产力。

这张「智能水平对成本」的图流传挺广，他这次把两个新模型标了上去。横轴是花的钱，纵轴是聪明程度，越往左上角越划算：

图很密，手机上可能要放大看。图里 DeepSeek V4 Pro 那个位置标着「预测」，因为它的正式评分还没出来，是估算的，看个大概就行。

藏在公告里的一句话

爱范儿那篇实测的末尾还挖到一件事。

他们在 DeepSeek 之前那份更新公告里翻到一句不起眼的话，说测试用的是「DeepSeek Harness 极简模式（即将发布）」。

Harness 这个词你可能没听过，翻译过来大概是「运行框架」。拿公司打比方，大模型是那个聪明员工，Harness 就是他所在的那套办公系统，负责给他派活、给他开权限、让他能调用工具、检查他干得对不对、出了问题留下记录。

业内这一两年慢慢有个看法，各家模型的智商都快摸到天花板了，往后拉开差距的可能是这套让它干活的系统好不好使，而不是模型本身多聪明。一个中等水平的员工放进好的管理系统里能干出不少活，一个很聪明的人扔进没人管没工具的地方，照样干不成事。

爱范儿判断 DeepSeek 的 Harness 快来了，理由是他们之前在招这个方向的工程师，前几天还注册了一个叫「DeepSeek Harness 团队」的公众号。这是他们的推测，不是官方消息，我照实转述，咱们一起等着看。

这件事跟咱们学的东西是一个道理。

咱们做 Skill、搭工作流、整理知识库，干的就是给 AI 搭办公系统：告诉它规矩，给它素材，规定输出长什么样。上面那个细节最能说明问题，模型自己跑去调用了另一个设计规范 Skill，那是因为有人事先把规范整理好放在了那儿。换个什么都没准备的环境，同一个模型也变不出这一手。

所以别老盯着哪个模型最强。

说回咱们自己，我给你算几笔账

上面那些数字都是给行业看的。落到咱们身上，就是下面这四件事。

第一，最划算的路子是免费的

DeepSeek 的网页版和手机 App 现在用的就是 V4，深度思考和联网搜索都不收费。

想知道这个「跟 Fable 5 只差 0.1 分」的模型到底什么水平，打开 chat.deepseek.com 或者 App 直接问就行，一分钱不用花。

咱们班里大部分同学的日常需求，写文案、理思路、改稿子、做方案，网页版够用了。先别急着研究 API 怎么接，先去用几次，看它跟你之前用的有什么不一样。

第二，用 CodeX 接 DeepSeek 的同学，V4 Pro 和 V4 Flash 怎么选

两个模型价格正好差三倍，Flash 是输入 1 元、输出 2 元，Pro 是输入 3 元、输出 6 元。

接法上没什么门槛。DeepSeek 的接口跟 OpenAI、Anthropic 兼容，API Key 粘进去，CodeX、Claude Code 就能直接拿它当后端。这次更新也不用你手动改设置，原来填的那个 deepseek-v4-pro，现在自动就是正式版了。

我的建议是日常的活儿继续用 Flash，够了。碰到下面这两类情况再换 Pro。

一是需要它自己连续折腾很多步的任务，比如让它从零搭一个小工具、自己装环境自己调试。这种活儿 Flash 和 Pro 的差距最明显，跑分上一个 82.7 一个 87.9，实际体验里就是「中途卡住了」和「一路干完了」的区别。

二是要读懂一整个项目再改代码的活儿。这一项两者差了 8 分（54.4 对 62.7），差距更实在。

你要只是让它写点东西、答个问题，Pro 那三倍的钱花得没道理。

第三，它不能读图，这件事影响不小

咱们班里太多人的用法是截个图丢给 AI 问这是怎么回事，所以这条我再说一次。

DeepSeek V4 Pro 干不了这个。CodeX 接到了 DeepSeek，涉及截图、设计稿、扫描件的活儿它一概处理不了。

真要看图，要么切回能看图的模型，要么绕个道。咱们精选里讲过的把 PDF 转成干净 Markdown 就是在解决同一类问题，模型看不懂的东西，先想办法变成它能读的形式。

第四，涨价这件事还没落地，但别当它不存在

八月初 DeepSeek 就发过涨价预告，说要整体上调、涨幅较大，我们当时也发过一条精选（看这条）。到今天为止，正式的涨价方案还没公布，现在这个价格还是老价格。

现在这个价格窗口不知道能开多久。手里有非跑不可的批量任务，趁现在跑掉划算。但也别为了囤便宜就乱充钱，充多少心里有个数。

Grok 那边，300 美元一个月的会员对咱们大多数人不是必需品。它的长处是速度，而速度最值钱的时候，是你每天有好几个小时都在盯着 AI 干活、时间被等待切得七零八落。没到这个强度，这笔钱先省下。

最后一句

这两天大概会有不少「赶紧换新模型」的声音，我的想法不太一样。

新模型出得越快，人越容易慌，好像不换就落后了。可你回头看这半年，从 Claude 遥遥领先到现在各领风骚几周，前后也就三四个月。这个节奏，追是追不完的。

前面爱范儿那个实测其实已经把话说明白了。同样一个模型，因为文件库里事先躺着一份整理好的设计规范，它就能自己把配色做对。那份规范是人提前准备的，不是模型送的。

先去免费的网页版试几次，看它跟你之前用的有什么不同。等你真碰上「这个活儿它干不了」，再回头研究要不要换、换哪个。到那时候你才知道自己缺的到底是什么。

有试出心得的同学，欢迎发到社区广场，尤其是踩到坑的，比夸它好用有价值得多。

本文参考的两篇原文

这篇里的跑分、价格、模型规格，我都去 DeepSeek 和 xAI 的官方文档核对过。观点和实测部分来自下面两篇，都是今天凌晨到早上发的，想看完整版可以点进去：

一、《一夜之间，DeepSeek V4 Pro 和 Grok 4.6 把全球大模型推入了新的斩杀线》，公众号「数字生命卡兹克」。文中「不可能三角」和「斩杀线」的说法、以及他自己的模型组合和使用体验，出自这篇。

二、《实测 DeepSeek V4 Pro 正式版：Agent 能力终于支棱了，还藏了一个大招》，公众号「爱范儿」。接入 WorkBuddy 的五个实测案例、以及关于 Harness 的那段推测，出自这篇。