8月12日深夜，DeepSeek V4 Pro正式版悄然上線了。然而不到24小時，官網首頁的發佈通知和開放平台公告就被撤了下來，頁面額外標註“V4 Pro暫未更動”。開發者社區一片嘩然：是臨時工發錯了版本，還是模型表現未達預期被緊急回滾？直到13日晚間，DeepSeek 重新發佈公告確認上線，這場回滾烏龍才算告一段落。
此前預告的 API 漲價也同步落地。8月17日起，V4 Pro將採用峰谷定價：高峰時段輸出價格漲至每百萬Tokens 27元，較此前的6元上漲4.5倍；快取命中輸入價格更是從0.025元暴漲至0.30元，漲幅達12倍。即便大幅提價，V4 Pro的高峰定價也僅約4美元，價格依然有競爭力，但“極致性價比”的敘事已悄然鬆動。
就在這樣一片爭議聲中，DeepSeek 在8月13日一口氣端上了兩樣新東西。其一是升級後的 DeepSeek V4 Pro 0813，按照官方資料，這款面向複雜推理和Agent任務的模型，在測試中繼續刷新了成績。另一個則低調得多，此前外界鮮少討論，名字卻相當直白：DeepSeek Harness。
本該又是一場大模型發佈秀：參數更強、基準更高、價格依舊能打。可有趣的是，從開發者社區的首波反饋來看，V4 Pro並未等來預想中的滿堂喝彩。
開發者靈魂拷問：Flash已經夠好了，我為什麼還要升級？
在Hacker News等開發者論壇上，人們發出靈魂拷問：Pro到底比Flash強在那裡？為何要用Pro?
一名使用者坦言自己對這次V4 Pro的發佈感到“失望”，不是因為模型弱，而是因為此前的V4 Flash已經超出了他的預期。他平時主要用AI做架構討論、思路碰撞和程式碼原型開發，而Flash已經能滿足絕大部分需求，即使Pro顯然更強，他暫時也找不到足夠理由進行遷移。另一名使用者注意到，在Artificial Analysis評分中，Flash和Pro的綜合分數一度只差1分，於是直接發問：“為什麼我要用Pro，不用Flash？差距到底在那裡？”更有人直言“我怎麼感覺Pro的效果反而不如Flash？只是我的錯覺嗎？”
當然，V4 Pro不是沒有進步。從官方資料看，0813版本在Agent相關測試上的進步相當明顯，在工具呼叫、終端操作和複雜程式設計 Agent任務上確有專攻，多個Agent基準成績明顯走高，比如在Terminal Bench 2.1 中拿到 87.9分，在Toolathlon-Verified拿到74.1分。但普通使用者並不會因為排行榜上多了幾個百分點就自動切換模型，他們真正關心的始終是：手上的工作能否完成？如果Flash做到了，而且價格更低，那麼Pro的“更強”究竟能帶來多少實際價值？一名使用者的總結相當現實：“99%的情況下，你並不需要最好的模型。”
這句話恰好點出了大模型競爭裡正在發生的變化。過去，AI公司比拚的是“誰最聰明”；但隨著越來越多模型進入相近能力區間，使用者開始轉向另一套標準：誰夠用？誰最便宜？誰最穩定？DeepSeek過去最大的成功，正是把“足夠強”與“極低價格”結合在了一起。如今，Flash已經足夠強，旗艦版Pro反而必須證明，使用者為何願意為那一部分額外能力付費。這就是V4 Pro發佈之後最微妙的處境：自己把自己“斬殺”了。
更尖銳的爭論則圍繞Benchmark與實測效果之間的落差而展開。一名開發者分享了自己的實測：讓AI掃描一個已有程式碼庫，生成一套可直接運行的docker-compose部署方案，涉及反向代理、連接埠佔用、萬用字元證書和PostgreSQL等多個具體條件。結果他感覺V4 Pro表現不如預期，出現了幾個問題，而另一款更昂貴的模型沒有犯同樣的錯誤。他說“基準測試告訴我的，和我實際觀察到的，並不一樣。”在他的體驗中，DeepSeek在簡單項目上的表現不錯，但項目複雜後，可靠性仍然存疑。
一組開發者實測更直觀地展現了模型能力與實際成本之間的關係。一名使用者用Codex CLI測試V4 Pro和另一款頂級模型完成同一個新功能開發任務：DeepSeek V4 Pro工作了12分02秒，成本0.12美元，但留下了一個Bug；另一款模型只用了3分18秒，成本1.41美元，且沒有發現問題。該使用者結論是：V4 Pro非常便宜，但便宜不意味著每一次都更划算。當然，這條測試很快遭到質疑：樣本量只有1，大模型本身具有隨機性，不能僅憑一次輸出判斷真實能力，至少應重複多次才能得出可靠結論。但也有人認為，這種批評不能完全否定實測價值，因為真實的Agent任務本身就是一個完整過程，一次任務最終是否完成，就是使用者最關心的結果。
無論如何，這組數字提出了一個非常現實的問題：Token價格不等於任務價格。一個模型每百萬Token的價格可能極低，但如果為了完成任務消耗更多Token、花費更多時間，甚至最終還需要人工檢查和修Bug，那麼真正的使用成本可能遠高於表麵價格。反過來，一個模型雖然昂貴，但如果一次就能完成任務，減少了人工參與，最終成本也未必更高。未來比較AI模型，恐怕不能再看“每百萬Token多少錢”，而要看“完成一個真實任務需要多少錢”，甚至還要加上“需要多少人工監督”。
在懷疑和批評之外，V4 Pro同樣獲得了大量積極的實測評價。一名長期使用者表示，自己已用它完成不少“相當重大”的工作，總體成功率不錯，但仍不願完全放手讓模型自主運行：“我會檢查每一步，也會進行引導。”即便如此，他認為以這個價格來看，DeepSeek“值得”。另一名使用者則把V4 Pro當作多個項目實現的“審計員”，結果“很紮實”，計畫將不同模型分工：更貴更強的負責一部分，DeepSeek Pro負責另一部分。越來越多的使用者構造了非常實際的工作方式，不同模型幹不同的活，一個模型適合生成程式碼，另一個適合審查，一個便宜可承擔重複工作，另一個貴但用於最關鍵的任務。
未來AI的使用方式，可能越來越像一個“模型團隊”，而不是尋找一個全能冠軍。從這個角度看，V4 Pro不一定需要在所有任務上擊敗對手，它真正需要找到的，是自己在開發者工作流中的位置。而這一點，或許比跑分排名更值得關注。
Harness登場：給天才AI配上一套工作系統
就在同一天，Deepseek還發佈了DeepSeek Harness。
過去，人用AI主要是聊天，輸入問題，等答案，模型的任務是回答。今天，越來越多的AI 需要直接幹活：閱讀程式碼倉庫、搜尋檔案、呼叫終端、修改程式碼、運行測試，失敗後查看報錯再改，必要時還要拆分任務交給子Agent處理。
這時候，模型再聰明，也無法憑空完成工作。你得先決定它能訪問那些檔案？能用什麼工具？終端命令怎麼執行？那些操作需要使用者批准？失敗後怎麼辦？任務跑了幾小時，它如何記住之前做了什麼？這些看似瑣碎的細節，合在一起正形成一個越來越重要的新層次：Harness。DeepSeek在發佈V4 Pro的同時悄悄推出的，恰恰就是這個東西。
不妨把大模型想像成一名剛入職的天才員工。大腦當然重要，知識夠不夠多，推理強不強，寫程式碼水平高不高。但把這名員工關在空房間裡，不給電腦、檔案和工具，也不允許操作，再聰明也幹不成複雜的事。反過來，給他電腦、程式碼倉庫、終端權限、搜尋工具、測試環境和清晰的工作流程，他能完成的事情就完全不同了。Harness，某種意義上就是圍繞 AI大腦搭建的這套工作系統。
據DeepSeek介紹，DeepSeek Harness是基於Cordis框架的開源 Agent Harness，核心理念是“Everything is a plugin”，幾乎所有元件都可模組化替換，包括模型、工具、技能、會話、沙箱、檔案系統、Agent循環、任務編排和介面。它在試圖回答：當大模型開始長期執行任務，外面的這套系統究竟該如何組織。目前Harness已具備檢查程式碼倉庫、編輯檔案、執行 Shell命令、搜尋檔案和網頁、維持任務計畫、呼叫技能、委派子Agent以及設定操作審批等能力，標準模式被描述為一個完整的程式設計Agent環境。
回頭再看V4 Pro發佈後那些矛盾的使用者評論，事情就變得有意思了。也許有的使用者說DeepSeek在自己項目裡不行，另一個人卻說它能完成複雜部署，不一定是誰在撒謊。他們可能用的不是同一個DeepSeek，精準地說，用的是同一個模型，卻不是同一個“模型+工具+任務循環+驗證機制+權限系統+Agent環境”。而下一場 AI 競爭，或許就藏在這個加號後面。
模型與Harness，誰主沉浮？
這個問題迅速在社區裡引發了爭論。有人給出一個大膽判斷：從今年2月開始，在編碼 Agent 的最終表現中，Harness的重要性已幾乎和模型本身一樣，甚至更高。問題不再是“那個模型最好”，已經變成了“那個模型+Harness的組合最好”。有開發者舉例說，用不同 Agent 框架呼叫同一模型時，工具呼叫的失敗率竟出現巨大差異。另一位使用者則認為，如今討論 AI 能力已不能脫離具體運行環境，因為改變Agent的狀態、工具和流程，本身就會改變結果。
當然，反對聲音也不少。有人反問：如果一個模型連通用工具都需要專門的Harness才能用好，豈不是說明模型本身的泛化能力存在缺陷？還有人覺得，“Harness和模型同等重要”的說法過於誇張，大部分智能仍來自訓練本身。
至少，今天我們很難把模型和它所在的 Agent環境完全割裂。連所謂的模型基準測試都未必是模型單獨作答的。一個值得注意的細節是，DeepSeek在公佈V4 Pro 0813 在部分公開 Code Agent 任務上的成績時，明確說明測試使用了即將推出的 Harness 的minimal mode。換言之，這些結果衡量的並非一個脫離環境的裸模型，而是模型進入特定 Agent 執行環境後的表現。這就讓傳統大模型排行榜出現了一個越來越明顯的尷尬點：過去能直接比較“模型A對模型 B”，現在卻越來越像是比較“模型 A+某種工具環境”對“模型 B+另一種 Agent 系統”。
此事非同小可。如果AI 只需回答一道數學題，我們或許可以剝離環境變數，只測大腦本身。而如果任務是開發一個軟體項目，情況就完全不同了：它要讀幾十個檔案，決定修改那些程式碼，運行測試，分析錯誤，呼叫終端修復，搜尋文件，發現需要新資訊再去呼叫其他工具。在這個鏈條裡，模型負責思考，但它能看到什麼、能做什麼、何時停下、失敗後如何繼續，都由模型之外的系統共同決定。所以，未來衡量一個AI Agent，還得問“你給了它怎樣的工作環境”。
從開放模型到開放AI的工作方式
從這個角度看，8 月13 日的兩項發佈並非互不相干。V4 Pro解決的是大腦問題，Harness 解決的則是讓這個大腦如何真正開始工作的問題。DeepSeek的新方向似乎出現了。
Harness採用MIT 許可證，允許開發者替換和擴展幾乎所有元件，目前雖處於開發者預覽階段，但方向已然清晰。它像 Claude Code、Codex 等產品一樣，試圖把模型、程式碼倉庫、終端、權限、測試、任務管理組織成一套可長期工作的系統。當然，Harness目前還遠不能與那些成熟產品劃等號，它更像一個開放的、無關模型的 Agent 基礎設施，本地介面和無頭命令等能力與後者的雲端生態仍有差距。但DeepSeek 顯然不滿足於只做一個模型，它開始親自提供模型在 Agent世界中的那套框架。
DeepSeek 過去的成功，恰恰在於“開放”二字。當國際AI競爭由少數巨頭的閉源模型主導，它通過開放權重和極低價格提供了另一條路。而Harness將這種開放向上延伸了一層，以前開放的是模型，現在嘗試開放的是模型之外的 Agent 運行框架。“Everything is a plugin”尤其說明問題：開發者不必接受固定黑箱，可以替換其中的模型、工具，甚至允許 Anthropic、OpenAI 或其他相容模型進入體系。這背後是一種與封閉產品不同的競爭思路。未來，開發者可能不會問“我能不能用 DeepSeek 的大腦，加上我自己的工具？能不能換掉任務系統？能不能控制Agent的存取權？”
提供最強的模型是一場競爭，定義AI如何呼叫工具、如何執行任務、如何長期工作，則很可能成為另一場競爭。而 DeepSeek 顯然希望進入後一場。
V4 Pro這次沒有迎來一邊倒的滿堂彩，未必是壞事。它反而暴露了一種越來越清晰的行業變局：DeepSeek Flash已經太強了，與此同時，即使模型本身不變，放進不同的 Agent 環境，最終結果也有天差地別。
大模型行業從一個問題走向另一個問題。以前是“誰擁有最聰明的大模型？”後來是“誰能用最低成本提供足夠聰明的大模型？”現在，隨著 AI 開始操作電腦、呼叫工具、修改程式碼、完成長時間任務，問題變成“誰能讓AI 把工作做完？”V4 Pro固然重要，代表著模型本身的持續強化。但如果未來的我們越來越難通過一次聊天、一次程式碼生成或一張排行榜直觀感受模型差距，那麼決定勝負的，可能在於誰先給模型配上更有效的工具、記憶和工作流程。
模型決定AI能想什麼，Harness決定 AI能做成什麼。DeepSeek V4 Pro也許只是一次常規升級，但Harness的出現意味著，這家因低價大模型而被世界認識的公司，已經把目光投向模型之外。下一場競爭已經開始。 (心智觀察所)