前代 · 0731：V4-Flash 正式版
7 月 31 日的 V4-Flash-0731 主干结构没动，DeepSWE 从 7.3 涨到 54.4。拆开这次更新，看清“模型能力”里有多大一块其实是“工具使用与格式对齐”——这条教训在 V4.1 的报告里被说得更直白。
本篇描述的是前代 V4-Flash-0731。 它已于 2026 年 9 月 10 日随 V4-Flash 一起从 API 下线，旧模型名路由到 V4.1-Flash；Hugging Face 上的权重仍可下载。
更正：初版依据一篇二手报道，把这次更新概括为“架构与尺寸完全不变，只重新做了后训练”，并引了一句“重新做后训练，不是新设计”。官方模型卡的说法是：0731 是 V4-Flash 的正式版，取代预览版，Agent 能力大幅增强；它与 V4-Flash-DSpark 结构相同，即多挂了一个投机解码模块 [1]。对比 config.json，主干部分与预览版完全一致，差别只在新增的 DSpark 相关字段 [2]。所以“主干没动”成立，“结构一点没变”不准确。数字也改为直接引用官方模型卡。
分数怎么变的
官方模型卡的对比（均为 DeepSeek 自测；代码 Agent 类任务用 DeepSeek Harness 的 minimal 模式、max 推理强度、temperature = 1.0、top_p = 0.95）[1]：
| 基准 | V4-Flash（预览版） | V4-Flash-0731 | V4-Pro（预览版） |
|---|---|---|---|
| Terminal-Bench 2.1 | 61.8 | 82.7 | 72.1 |
| NL2Repo | 39.4 | 54.2 | 38.5 |
| Cybergym | 38.7 | 76.7 | 52.7 |
| DeepSWE | 7.3 | 54.4 | 12.8 |
| Toolathlon-Verified | 49.7 | 70.3 | 55.9 |
| Agents' Last Exam | 15.8 | 25.2 | 16.5 |
| AutomationBench（Public） | 10.8 | 25.1 | 12.8 |
每一行，0731 都超过了 1.6T 的 V4-Pro 预览版。这就是本专栏初版开篇那句“小模型跑赢了自家旗舰”的来历。
几个提升不是一回事
以下是本专栏的解读，不是官方的说法。
DeepSWE：7.3 → 54.4。 起点 7.3 对一个前沿模型来说异常低：同一个 V4-Flash 在 High 模式下 LiveCodeBench 有 88.4 [3]，不太可能只有 7.3 分的软件工程能力。更说明问题的是，1.6T 的 V4-Pro 预览版在这一项也只有 12.8。更合理的解释是：预览版没有被训练成能正确参与这类评测流程——不会按规范调用编辑工具、输出没法被评测框架解析，或者在多轮工具调用里跑偏。这四十多分里，很大一块买的是协议对齐，不是推理能力。
Cybergym：38.7 → 76.7。 翻倍。起点不算离谱，说明基础能力在，但发挥受限。
Terminal-Bench 2.1：61.8 → 82.7。 起点已经不低，还能涨二十分。这一档含金量最高——在模型已经会用工具的前提下，把长程终端操作的成功率往上推，靠的是实打实的策略改进。
读基准提升时，先看起点。 从 5 分涨到 50 分和从 60 分涨到 80 分，是两件不同的事：前者通常是“打通了某个环节”，后者才是“变强了”。发布材料往往更强调前者，因为数字更好看。
这件事说明什么
架构决定上限，后训练决定你实际能拿到多少。 同一个主干、同一套注意力、同一批专家，换一轮后训练，Agent 表现天差地别。这解释了几个常见的困惑：
- 为什么有些开放权重模型“跑分很高但用起来不行”：基础能力测出来了，但工具使用、指令遵循、格式稳定性这些“用起来”的部分没训到位。
- 为什么小模型能赢大模型：0731 压过 V4-Pro 预览版，靠的不是更聪明，而是被针对性地训过。
- 为什么微调有时收益巨大：模型在你的场景里表现差，很可能不是能力不足，而是没对齐到你的接口与格式。
一个半月后，V4.1 的技术报告把同一条教训写成了明文：后训练“没有算法创新”，收益几乎全部来自合成数据与环境的规模、多样性和可验证性 [4]。
对使用开放权重的人意味着什么
下载权重时要认准版本号。 V4-Flash 与 V4-Flash-0731 的主干一样、加载方式一样，但在 Agent 场景下差着几十分。初版说两者“文件大小一样”，这也不对：0731 多了投机解码模块，官方仓库约 167 GB、48 个分片，预览版约 160 GB、46 个分片 [5]。从镜像站或旧教程里拿到预览版，你会得到一个“看起来对、用起来怪”的模型，而且很难排查。
这类“同名不同版”的坑在开放权重生态里越来越常见。部署前核对模型仓库的提交与更新日期，别只看仓库名。 社区量化版（GGUF、AWQ 等）尤其要看它基于哪个版本转换——社区版的更新往往滞后于官方。这条建议对 V4.1 同样适用：它的编码器在发布当天就改过一次推理强度的映射（见推理强度那一章）。
一个开放问题
官方没有公开 0731 这轮后训练具体做了什么——是扩充了 Agent 强化学习的环境、改了奖励设计，还是补了工具使用的监督数据。当时这一层信息几乎没有厂商会公开。
到了 V4.1，DeepSeek 多讲了一些：任务怎么合成、环境怎么由多个 Agent 协作搭建、百万级沙箱怎么管（见后训练那一章）。但“有多少”——多少任务、多少环境、多少算力——仍然没有数字。这是这一代“开放权重”的真实边界：你能拿到结果和流程的轮廓，拿不到配方本身。
前代档案到此结束。最后一章收束整个专栏。👉 回顾：压缩路线走到哪了
参考文献
- [1] Hugging Face 模型卡：deepseek-ai/DeepSeek-V4-Flash-0731 —— “V4-Flash 的正式版，取代预览版”、与 V4-Flash-DSpark 结构相同、各项分数与评测设置。
- [2] Hugging Face：DeepSeek-V4-Flash 与 DeepSeek-V4-Flash-0731 的
config.json—— 两者主干字段一致，0731 多出dspark_*字段。 - [3] Hugging Face 模型卡：deepseek-ai/DeepSeek-V4-Flash —— 预览版在 High 模式下的 LiveCodeBench 88.4。
- [4] DeepSeek-AI. “DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression.” 2026-09. arXiv:2609.19969 —— 第 5.1 节：后训练没有算法创新、收益归于数据与环境。
- [5] Hugging Face 上两个仓库的文件列表 —— 权重体积与分片数。