DeepSeek V4-Flash 跑 Codex 实测：4 个任务全过，花费不到 5 分钱
原创 · 约 22 分钟阅读 · 阅读 --

DeepSeek V4-Flash 跑 Codex 实测：4 个任务全过，花费不到 5 分钱

作者: Alex Xiang

人工智能工程实践

7 月 31 日，DeepSeek 把 V4-Flash 正式版 API 推上线公测，更新日志里有一句话比基准成绩更值得注意：正式版 V4-Flash 原生支持 Responses API 格式，并针对性适配了 Codex。用大白话说，DeepSeek 把 OpenAI 编程 Agent 需要的接口格式直接做进了自己的 API，Codex 这类客户端不用再套一层翻译代理。

写这篇文章时，我整个 Codex 会话就跑在 deepseek-v4-flash 上，本地配置里 model = "deepseek-v4-flash"、model_provider = "deepseek"。所以除了整理公开资料，我还顺手用这个模型跑了一组本地 Agent 任务。下文按「模型是什么、基准如何、多少钱、怎么接、实测结果」展开，所有数字都标注了来源，实测部分只记录我机器上真实发生的结果。

模型是什么

本次上线的是 DeepSeek-V4-Flash-0731，调用时模型名统一写 deepseek-v4-flash。官方更新日志说明，0731 的模型结构、尺寸与 Preview 一致，只是重新做了后训练，Agent 能力大幅增强。

几个关键参数：

  • 架构：MoE。媒体引述 DeepSeek 口径为总参数约 284B、激活参数约 13B；Hugging Face 权重页显示约 304B 参数、约 167GB，两种口径有出入，仅作量级参考。
  • 上下文长度：1M token；最大输出 384K token。
  • 思考模式：支持非思考与思考模式，默认思考模式。
  • 接口：OpenAI ChatCompletions、Anthropic 格式、Responses API 都支持；其中 Responses API 目前只有 V4-Flash 能用，deepseek-v4-pro 预计 2026 年 8 月初接入。
  • 并发限制：V4-Flash 官方标注 2500，V4-Pro 为 500。

官方基准成绩

DeepSeek 在更新日志里公布了 9 项基准，几乎全部是「干活」类任务，不是传统的写代码评测：

基准分数
Terminal Bench 2.1（终端操作）82.7
Cybergym（安全对抗）76.7
Toolathlon verified（工具调用）70.3
DSBench-FullStack（全栈开发，内部测试集）68.7
DSBench-Hard（Coding Agent 难题，内部测试集）59.6
DeepSWE（软件工程任务）54.4
NL2Repo（自然语言建仓库）54.2
Agent Last Exam25.2
Automation Bench (Public)25.1

官方 9 项 Agent 基准成绩

图：官方公布的 9 项基准，按分数降序排列。

测试条件要如实说明：公开基准集上的 Code Agent 任务用的是 DeepSeek 自家即将发布的 Harness 极简模式，max 档位、top_p=0.95、temperature=1.0；DSBench 两项是内部测试集。也就是说，这些数字是「模型 + 官方 Harness」的成绩，不代表任何第三方框架下的表现，只能当上限参考。

第三方也有独立观察。Simon Willison 在 7 月 31 日的笔记里提到，Artificial Analysis 把 V4-Flash-0731 排到了 MiniMax M3（428B 模型）前面，并评价它「可能是当前性价比最高的模型」。另一个值得记录的细节：V4-Flash 之前还有一轮 Preview，正式版不是修修补补，而是同架构重做后训练后成绩全面反超自家 V4-Pro-Preview（Agent Last Exam 从 15.8 涨到 25.2），说明在 Agent 赛道上，后训练策略的空间比想象中大。

价格：便宜到什么程度

官方价格按人民币计价，单位是每百万 token：

计费项deepseek-v4-flashdeepseek-v4-pro
输入（缓存命中）0.02 元0.025 元
输入（缓存未命中）1 元3 元
输出2 元6 元

Flash 与 Pro 价格对比

图：官方模型页价格，单位元/百万 token。

两个要点：

  1. 缓存命中价差极大。0.02 元对 1 元是 50 倍价差，官方叫「上下文硬盘缓存」，不需要客户端传 cache key，命中自动计价。对 Codex 这类每轮工具调用都会重发上下文的 Agent 来说，这条直接决定真实账单。
  2. 峰谷定价即将生效。DeepSeek 官方预告 API 将引入峰谷定价，高峰时段（北京时间每日 9:00-12:00 和 14:00-18:00）价格为平时 2 倍，覆盖所有计费项，具体生效时间以官方通知为准。也就是说今天看到的 0.02/1/2 可能不是长期价。

怎么接入 Codex

官方文档给了一条很清楚的路径：Codex 通过 Responses API 与模型交互，DeepSeek 原生实现了这个格式，所以把 DeepSeek 配成模型提供方后，Codex CLI、ChatGPT 桌面端、VS Code 的 Codex 插件会共用同一份配置。

方式一：一键脚本（推荐）

前提是已经装过 Codex CLI 或 ChatGPT 桌面端，并且至少运行过一次（~/.codex 目录存在）：

# macOS / Linux
bash <(curl -fsSL https://cdn.deepseek.com/api-docs/codex-deepseek-setup.sh)
# Windows
irm https://cdn.deepseek.com/api-docs/codex-deepseek-setup-en.ps1 | iex

脚本做的事情：把现有 ~/.codex/config.toml 备份到 backup-deepseek/；写入 ~/.codex/models.json（向 Codex 声明模型元数据）；给 config.toml 增加 [model_providers.deepseek] 段，保留原有 MCP 服务器和项目信任设置；写入前校验语法，校验失败不改任何文件。

方式二：手动配置

先写 ~/.codex/models.json。deepseek-v4-flash 的模型目录里几个关键字段：

{
  "slug": "deepseek-v4-flash",
  "display_name": "DeepSeek-V4-Flash",
  "context_window": 1048576,
  "max_context_window": 1048576,
  "default_reasoning_level": "high",
  "supported_reasoning_levels": ["low", "high", "max"],
  "supports_parallel_tool_calls": true,
  "input_modalities": ["text"],
  "minimal_client_version": "0.144.0"
}

再在 config.toml 里指定模型和提供方：

model = "deepseek-v4-flash"
model_provider = "deepseek"
preferred_auth_method = "apikey"
model_catalog_json = "C:/Users/<you>/.codex/models.json"

API Key 按官方文档在 DeepSeek 开放平台生成，不要把 Key 写进仓库或博客。

Codex 接入 DeepSeek 的配置链路

图：三种 Codex 客户端形态共用同一份模型目录与提供方配置，请求走 Responses API 到 api.deepseek.com。

直接用 Responses API 调用

不通过 Codex 也可以直接用官方 OpenAI SDK 调用：

from openai import OpenAI

client = OpenAI(
    api_key="<your DeepSeek API key>",
    base_url="https://api.deepseek.com",
)

response = client.responses.create(
    model="deepseek-v4-flash",
    instructions="You are a helpful assistant.",
    input="Hi, how are you?",
)
print(response.output_text)

兼容性上几个容易踩的坑（官方文档明示）：

  • 无状态：previous_response_id、conversation、store 都不支持，多轮对话要自己把历史作为 input items 传回；服务端不会维护会话。
  • 不支持的参数静默忽略：text.verbosity、reasoning.summary、parallel_tool_calls 等传了也不报错，所以现有 Responses API 客户端通常能直接连。
  • 流式事件没有 data: [DONE]：流以 response.completed / response.incomplete / response.failed 结束，按 OpenAI 习惯写 SSE 解析的要注意。
  • 超长输入直接 400：超过 1M 上下文窗口会报错而不是截断。
  • 只收文本：input_image 内容块不会报错，但会被替换成占位文本，多模态图片输入目前不支持。
  • reasoning.effort 支持，web_search 工具由服务端执行；custom 工具目前只认 apply_patch（Codex 兼容用）。

另外提醒迁移用户：旧模型名 deepseek-chat 和 deepseek-reasoner 已于 2026-07-24 停止使用，新代码一律用 deepseek-v4-flash 或 deepseek-v4-pro。

本地实测：4 个 Agent 任务

光看官方数字不够，我在本机用 Codex CLI（0.146.0）配 deepseek-v4-flash 跑了 4 个任务，覆盖「从零实现 + 自测」「修 bug」「终端数据处理」「仓库探查与文档一致性」四类典型 Agent 场景。推理档位用默认 high，每个任务在独立空目录里执行（修 bug 和仓库探查两个任务预置了文件），用 codex exec --json 记录 token 用量，用计时器记录耗时。

本地 4 个任务实测终端记录

图：4 个任务的真实输出摘录，全部通过。

任务内容结果耗时输入 token（缓存命中）输出 token
1 实现 CLI从零写 textstats.py（行数/词数/高频词）+ pytest 测试并验证3 passed73.1s114,137（107,008）3,040
2 修 bug修复预埋 bug 的计算器，不改测试10 passed68.0s133,258（130,432）2,475
3 数据处理bash 生成 100 行 CSV，Python 聚合并自检总数自洽69.6s132,868（131,456）3,334
4 仓库探查读小项目回答 3 个问题，修复 README/配置不一致运行一致50.1s108,688（107,264）1,847

合计：4 个任务全部完成，总耗时约 4.4 分钟；输入合计 488,951 token，其中 476,160 命中缓存（命中率 97.4%）；输出合计 10,696 token。按官方价计算总成本约 0.044 元。

值得记录的 5 个观察

  1. 自动缓存把账单压得很低。4 个任务总输入近 49 万 token，但 97.4% 走了缓存命中价（0.02 元/百万），未命中部分只有 1.28 万 token，最终花费不到 5 分钱。Agent 每轮工具调用都要带全量上下文，这个缓存机制对使用成本的影响是决定性的。
  2. 自我验证闭环是真实的。任务 1 里模型自己写的测试断言有误（把 the 的出现次数写成 3，实际是 4），它运行 pytest 发现失败后，自己核对 CLI 输出并修正断言，第二次运行 3 个测试全过。整个过程没有人工介入。
  3. 不会被误导性注释带偏。任务 2 的代码里有一行注释声称 is_prime 缺了 return True，但代码本身是对的。模型核对后明确报告「这个注释有误导，函数行为正确」，只修了真正有 bug 的 factorial（range(1, n) 应为 range(1, n + 1)）。
  4. 工具调用有冗余现象。任务 1 中，同一个 CLI 命令被重复执行了多次（约 7 次相同命令）。这可能是模型主动重试，也可能是客户端并行工具调用的产物，单次观测无法定论，但值得继续盯。
  5. 限流是真实存在的。整个评测会话期间 API 出现过一次 429 Too Many Requests，客户端重试后恢复。官方并发标注 2500 很高，但个人 API Key 还有自己的 RPM/TPM 配额，密集并行任务时仍可能触发。

局限

这是 n=1 的小样本实测：任务规模小、环境单一、没有和别的模型做对照，不能替代标准基准。官方基准是「模型 + 自家 Harness」的成绩，其中两项还是内部测试集，第三方复现前谨慎引用。价格与功能随时可能变（峰谷定价即将上线），以官方文档为准。

结论

deepseek-v4-flash 的定位很清楚：用极低单价承接 Codex 这类高频工具调用的 Agent 工作负载。官方基准和第三方排名都指向「接近顶级模型的 agent 能力，价格差一个数量级」；我的小样本实测支持这个判断——4 个任务全部通过，花费不到 5 分钱，且自动缓存和思考模式都如文档所述工作。

适合用它跑的场景：个人开发者日常编码、批量小任务、预算敏感的原型验证、需要长上下文的仓库分析。需要留意的边界：Responses API 目前无状态；模型只收文本输入；限流依赖你 Key 的配额；峰谷定价生效后高峰时段成本翻倍；deepseek-v4-pro 的 Responses/Codex 支持还要等 8 月初。

参考

打开原图 ↗