在一项50项任务测试中多完成8项
在MaxForAI开展的一项内部基准测试中，DeepSeek当前的V4 Pro模型完成了50项任务中的32项。MaxForAI是一名AI教育者和开发者，也是LobeHub智能体客户端的维护者。此前的V4 Pro-0813版本完成了24项。根据日期为2026年11月8日的相关报道，新版模型的完成率达到64%，高于此前的48%。
最值得关注的提升是表现更加稳定。以至少成功完成一次任务为标准衡量时，两个版本表现相近。差距主要体现在测试要求连续三次成功完成任务时。这一标准要求较高，对预期能够可靠执行工作的软件来说尤其重要。
这些发现引发了猜测：DeepSeek可能正在通过现有服务逐步测试V4.1 Pro。模型身份和发布时间表尚未得到确认，基准测试结果仍以当前V4 Pro的名称发布。
测试讨论之前，DeepSeek于11月7日发生了一次部分服务中断，这是不到一周内第二次被报告的服务中断。DeepSeek表示已实施修复，并正在监测结果。对客户而言，眼下的进展涉及两项不同需求：更好地完成任务，以及可靠地访问服务。
LobeBench有哪些变化？
MaxForAI使用内部测试集LobeBench，对比了当前的V4 Pro和V4 Pro-0813。此前版本在相关排名中位列第13，新版则在此次对比中位居中国模型之首。
得分提升了16个百分点，成功完成的Hard难度任务增加了8项。若以此前完成的24项任务为基数计算，增至32项意味着成功完成的任务约增加三分之一。这两种计算方式从不同角度描述同一结果：测试完成比例更高，完成的任务数量也更多。
LobeBench要求重复完成任务，这有助于解释为何测试结果引人关注。一个模型如果只成功一次，之后的尝试却屡屡失败，就很难用于日常工作。智能体客户端可以让AI系统通过软件执行任务，因此不仅需要偶尔给出出色答案，也需要稳定执行。
此次对比报告围绕50项任务和内部排名展开。相关结果的介绍并未公布复现测试所需的细节，包括完整任务清单、评估规则、模型设置以及其他系统的得分。
重复成功为何重要
AI模型对同一请求可能生成不同回答。在包含多个步骤的任务中，早期出错还可能影响之后的所有环节。要求连续三次成功，比只计算任何一次成功，更能衡量模型行为是否可靠。
据报道，MaxForAI的对比显示，若两个版本只要至少成功一次就能获得认可，表现差异并不大；而在重复成功这一标准下，差距则有所扩大。因此，核心发现是可靠性有所提升，而不只是新版具备了旧版始终无法完成任务的新能力。
对使用智能体完成工作的人而言，这一区别具有实际意义。反复失败可能意味着更多重试、更多核查和更多人工介入。即使旧版偶尔给出的成功答案同样出色，能够稳定完成同一任务的模型仍可能更实用。
围绕疑似更新流传的其他非正式演示包括动画渲染，以及一张鸬鹚骑自行车的图片。LobeBench则提供了与一个明确命名的旧版本进行数字对比的结果，使关注点转向可重复的任务表现。
服务中断期间发生了什么？
据当时对DeepSeek状态信息的报道，11月7日的服务中断始于15:11。受影响的服务包括聊天功能、V4 Pro API和V4.1 Flash API。API是一种连接方式，可让其他应用自动向DeepSeek发送请求。
用户遇到了聊天功能无法使用的情况，并看到“服务器繁忙”的提示。DeepSeek随后表示已实施修复，并正在监测结果。之后的测试称服务已恢复正常。
此前，11月3日也发生过类似事件，始于16:58，影响了同样的三项服务。尽管当时宣布已完成修复，服务状态仍被列为性能下降。恢复访问和恢复正常速度可能发生在事件处理的不同阶段。
这两次中断构成了有关模型猜测的背景之一。相关状态信息没有说明11月7日服务中断的原因，因此客户无法确认它是否与流量增长或模型部署有关。
围绕Pro的预期时间线
人们对V4.1 Pro的关注早于最新测试结果。9月的发布计划、10月的服务变化以及11月的基准测试对比，都助长了相关预期，尽管它们涉及DeepSeek产品线的不同部分。
- 2026年9月10日：V4.1 Flash发布。此前曾提出一项计划，打算在V4.1 Pro推出前将对deepseek-v4-pro的请求转发至Flash；但在开发者反对后，该计划被撤回。
- 10月17日：根据10月有关后续服务变化的报道，V4.1 Flash-1017版本发布。
- 10月27日：观察者发现模型指纹发生变化，最早约在18:21出现。到19:07，三个模型选项的指纹已统一为同一个。
- 11月3日：聊天功能和上述两项API服务发生部分中断，始于16:58。
- 11月7日：另一次部分中断始于15:11。DeepSeek随后宣布已完成修复。
- 11月8日：有关MaxForAI的LobeBench对比的报道显示，完成任务数从24项增至32项。
9月的转发方案对开发者很重要，因为应用对模型名称的依赖可能构成其运行假设的一部分。更改该名称背后的模型可能影响回答、成本和性能。该方案撤回后，V4 Pro继续提供服务，计费方式未变。
10月的指纹变化说明了什么
10月27日的观察涉及模型指纹，这类标识符有助于追踪为请求提供服务的系统是否发生变化。旧指纹与V4.1 Flash-1017相关联。新标识符无法被充分解读，因此无法据此确定其背后的模型。
当时观察到的变化似乎与Flash有关，而非Pro。可能的解释包括更换模型检查点，即模型的一个已保存版本，或重新部署同一个模型。新标识符并未能确定究竟是哪种情况。
这些变化出现时，V4.1 Flash-1017仅发布了10天。此前市场对Pro的期待已经很高，因此即便变化似乎涉及Flash，也受到广泛关注。11月的LobeBench结果与Pro的关联更为直接，因为它对比的是两个都标为V4 Pro的版本。
DeepSeek此前的发布时间也影响了人们的预期。据报道，V4系列的Flash和Pro版本之间相隔约两周。到了后来讨论V4.1时，Flash发布后等待Pro的时间已超过七周。因此，本轮发布周期采用了不同的时间安排。
开发者目前可以对比什么
据报道，V4 Pro和V4.1 Flash的定价处于不同水平。V4 Pro输入价格为每百万Token 0.66美元，非高峰时段的输出价格为每百万Token 1.98美元。Flash的输入和输出价格分别为每百万Token 0.15美元和0.60美元。
Token是模型处理的文本小单元，例如单词或词语的一部分。按上述价格计算，Pro的输入费用是Flash的4.4倍；非高峰时段公布的Pro输出价格则是Flash所列输出价格的3.3倍。实际支出取决于输入和输出量、使用时段以及适用的缓存机制。
据报道，Flash的缓存命中价格为每百万Token 0.003美元。缓存可以让服务重复利用此前已处理的输入。其所列功能包括原生图像输入，即可以将图像直接传给模型。
据报道，V4 Pro的容量包括100万Token的上下文窗口和38.4万Token的输出上限。上下文窗口是模型在一次请求中能够参考的内容量。这些规格描述了现有产品，客户可以据此与未来的Pro版本进行比较。
怎样才算正式发布？
如果发布公告明确宣布V4.1 Pro，用户就能将其作为一款确定的产品进行评估。与之配套的API文档、模型仓库和价格更新，则可提供访问方式、费用及支持功能等实用信息。
一篇对DeepSeek公开发布信息的梳理称，最新的相关模型仓库是DeepSeek-V4.1-Flash，创建于2026年9月10日。该梳理还指出，随Flash发布的51页技术报告中，既没有提到“V4.1-Pro”，也没有提到“V4.1 Pro”。该文梳理的公开产品信息仍以Flash和V4 Pro为主。
对11月基准测试结果的乐观猜测认为，新版本可能在接下来的一周内发布。DeepSeek在相关发布信息中没有公布具体日期、发布时间窗口或季度。目前可以确认的进展，是据报道以V4 Pro之名发布的模型在重复完成任务方面有所提升。
要点
- V4 Pro完成了LobeBench 50项任务中的32项，V4 Pro-0813则完成了24项。
- 得分从48%升至64%，提高了16个百分点。
- 主要提升体现在要求连续三次成功完成的任务上。
- DeepSeek于11月3日和11月7日发生部分服务中断，影响聊天功能和两项API服务。
- 10月的指纹变化似乎涉及Flash，而11月的基准测试对比则涉及Pro。
- V4.1 Pro的身份、发布日期和价格尚未得到确认。
