DeepSeek-V4-Flash-0731：架构一字未改，只换后训练就领先自家旗舰
2026-07-31 DeepSeek 发布 V4-Flash-0731 新检查点——这是 7 月 20 日 V4 家族进入 GA 之后，Flash 产品线的首次版本更新。架构与 4 月 preview 完全一致（284B 总参数、13B active MoE、1M token 上下文），仅重跑整条后训练管线；官方自报的智能体与代码基准全部领先自家旗舰 V4-Pro Preview。新权重以 MIT 许可非门控上架 Hugging Face，补上了 GA 当时悬而未决的开源问题。
2026 年 7 月 31 日，DeepSeek 发布新检查点 DeepSeek-V4-Flash-0731。这是继 7 月 20 日 V4 家族（含 deepseek-v4-flash）由预览转入正式可用（GA）之后，Flash 这条产品线的首次版本更新。最值得注意的地方，不在于模型变大，而在于模型完全没有变大——架构与规格一字未改：284B 总参数、13B active 的 MoE 设计、1M token 上下文长度，全部维持原样。官方明言，改的只有一件事：整条后训练（post-training）管线重写、模型重新训练。
这次同时补上了 GA 当时悬而未决的一项信息——权重发布。新版权重以 MIT 许可、非门控（no gating）上架 Hugging Face，下载无需申请审批；这是延续 4 月 preview 的开源做法，也让「GA 之后是否继续开源」的悬念落地。定价则沿用 GA 时的结构：输入 $0.14、输出 $0.28 per M tokens 为基准（离峰）费率，每日 9 至 12 时、14 至 18 时的高峰时段仍为 2 倍计价，估算账单时不能只看基准价。
基准测试领先自家旗舰，但这是厂商自报数字
官方公布的智能体（agentic）与代码基准测试中，V4-Flash-0731 全部胜过售价更高的旗舰线。三组代表性数字为：
- Terminal Bench 2.1：82.7 vs 72.1
- NL2Repo：54.2 vs 38.5
- Cybergym：76.7 vs 52.7
有两点必须诚实标注。第一，须注意官方此次对照的是 V4-Pro Preview，而非 7 月 20 日 GA 的 V4-Pro 正式版，两者并非同一批后训练成果，领先幅度不宜直接套用到现行旗舰。第二，以上全部是厂商自报成绩，且跑在尚未公开的评测 harness 上，并非第三方独立验证；基准名称相同不代表跑法相同，harness 未公开就无从复现。官方另列有一项 DeepSWE 的对照数字，但旗舰端数值异常偏低，在原始评测设定公开前，本文不予引用。
能力增益的主战场，正在从堆参数转向后训练
把架构固定、只换后训练，等于做了一次近似的对照实验：参数规模、上下文长度、稀疏设计都是常量，唯一变量是训练后段的数据配方与强化流程。若官方数字成立，说明在智能体与代码这类需要长链条决策的任务上，后训练带来的增益已足以压过参数规模的差距。
这也解释了为什么便宜的 Flash 线能反超昂贵的 Pro 线：对照组的 Pro Preview 是较早期的后训练成果，Flash-0731 用的是新管线。同一家公司内部就出现「便宜的比贵的强」，对整个行业的定价逻辑是一记提醒——参数量与价格已不再是能力的可靠代理指标。
MIT 非门控许可则是另一条信号。GA 之后新权重仍可自由下载、商用无需审批，等于把「自建部署」的门槛压到只剩硬件成本，对数据不能出境、或需要在自有机房处理敏感数据的企业尤其有意义。
对管理者的意义
最实际的一课是：旧评测结论的保鲜期正在快速缩短。半年前做的模型选型比较，很可能因为供应商换一次后训练管线就整个翻盘，而外观（参数、价格、版本号）几乎看不出差异。因此选型不该是一次性决策，而该有固定的复验节奏。若团队已在用 AI 处理代码或多步骤智能体任务，可以拿自家真实工单各跑一轮新旧检查点，用自己的验收标准比对——供应商的 harness 不公开，你自己的 harness 才是能复现的那一个。