DeepSeek выпустил обновление V4-Pro-0813: характеристики и бенчмарки

🐋 DeepSeek тихо выкатил V4-Pro-0813 — и это лучший price/performance на рынке прямо сейчас Без ивента, без обратного отсчёта, без блог-поста. Просто в доках поменялась версия модели, и алиас deepseek-v4-pro начал резолвиться в новый билд. Если у вас в проде уже есть интеграция — вы её уже получили, менять параметр model не нужно. Что под капотом Архитектурно — то же самое, что и в апрельском превью: MoE на 1.6 трлн параметров, ~49 млрд активных на токен, гибридное внимание, претрейн на 32+ трлн токенов. Контекст — 1 048 576 токенов, до 384K на выход. То есть это не новая семья, это чекпоинт. Всё интересное произошло в посттрейне. Цифры (вендорские, но) Terminal-Bench 2.1: 72.1 → 87.9. Это +15.8 пункта к превью, около +22% относительно. DeepSWE: 12.8 → 62.7. Не опечатка, рост в пять раз. CyberGym: 52.7 → 83.3 DSBench-FullStack: 41.8 → 71.1 В переводе на человеческий: по заявленной таблице V4-Pro обходит Opus 4.8 на Terminal-Bench 2.1, CyberGym, DeepSWE и AutomationBench, идёт вровень на Agents' Last Exam и отстаёт на HLE, NL2Repo, Toolathlon и обоих DSBench. А на Terminal-Bench 2.1 он в 0.1 пункта от Claude Fable 5 (88.0). Теперь про деньги, и вот тут начинается интересное $0.435 за миллион входных токенов, $0.87 за выходные. При попадании в кэш вход стоит $0.003625 — то есть в 120 раз дешевле. Цены не поднимали относительно превью. При этом Fable 5 стоит $10/$50. Считаем: примерно 57× разница по выходным токенам за 0.1 пункта на Terminal-Bench. Ну и до кучи: в июле DeepSeek был вторым после Anthropic по объёму потреблённых токенов в мире. За август, полагаю, будет первым. А теперь ложка дёгтя, потому что я не пресс-релиз 1️⃣ Все агентные цифры выше — вендорские, и мерялись они собственным харнессом DeepSeek. Скор на Terminal-Bench — это результат связки модель+обвязка, а не модели. Вчера этот харнесс был недоступен снаружи, сегодня открылся (об этом ниже). 2️⃣ Независимый Artificial Analysis Intelligence Index даёт V4-Pro 53. Для сравнения: Claude Opus 5 — 63, Fable 5 — 62, GPT-5.6 Sol и Grok 4.6 — 61, Kimi K3 — 60. GLM-5.2 — те же 53. То есть в агентном кодинге модель дышит фронтиру в затылок, а в общем интеллекте отстаёт примерно на десять пунктов. Это разные вещи, и в маркетинге их старательно смешивают. 3️⃣ Зрения нет. Вообще. Для агента, которому регулярно суют скриншот ошибки или макет — это чувствительно. Сообщество раскололось: одни считают дилбрейкером, другие приемлемым разменом за такую цену. 4️⃣ DeepSeek анонсировал, что цены скоро поднимутся. Так что «57 раз дешевле» — это цифра со сроком годности. Что делать Если у вас агентный воркфлоу и вы платите за фронтир — попробуйте развести задачи по тирам. V4-Pro на репозиторный масштаб (алиас deepseek-v4-pro[1m] когда нужен миллион контекста), V4-Flash на частые узкие задачи и на Codex, потому что Flash нативно поддерживает Responses API. И да, ровно в тот же день DeepSeek открыл свой харнесс под MIT — тот самый, которым мерили эти бенчмарки. Разобрал его отдельно и заодно посчитал, у каких лаб свой харнесс уже есть, а кто до сих пор без. По этому поводу опять сделал лонгрид на Хабр. Вот такой я у мамы продуктивный. #AI @techn0danya