DeepSeek V4 Pro 正式发布：1M 上下文、Codex 接入与本机配置要不要更新
deepseek-v4-pro，服务端升级通常不用改业务代码；但想在 Codex 的模型列表中选择 Pro，本地 models.json 必须包含对应条目。已经有 Pro 条目的人不用为“正式版”重复安装，只有旧文件仍只列 Flash 时才需要更新。
DeepSeek V4 Pro 已切换到正式版本 DeepSeek-V4-Pro-0813。这次更新对 Codex 用户有两个不同层面的影响：API 端的模型别名没有变，本地 Codex 的模型目录却不一定已经认识 Pro。
我把 DeepSeek 当前的官方价格页和 Codex 一键配置脚本重新过了一遍。下面只保留能从这两份一手材料直接核对的规格、价格和配置字段；评测成绩如果没有给出统一的复现环境，不拿来替代自己的真实仓库测试。
正式版的关键规格
| 项目 | DeepSeek V4 Pro |
|---|---|
| 模型版本 | DeepSeek-V4-Pro-0813 |
| API 调用名 | deepseek-v4-pro |
| 上下文长度 | 1M Token |
| 最大输出 | 384K Token |
| 思考模式 | 支持思考与非思考模式，默认思考 |
| 结构化与工具 | JSON Output、Tool Calls；并行调用以官方当前能力声明为准 |
| API 兼容 | OpenAI 格式与 Anthropic 格式端点 |
| 并发限制 | 500 |
1M 上下文和 384K 最大输出给长代码库、长文档与多步骤任务留出了很大的理论空间。不过上下文窗口大，不代表应该把整个仓库一次性塞进去。真实 Agent 工作里，检索质量、上下文压缩、工具返回长度和任务拆分仍然决定最终效果。
网上还能看到模型架构参数和多组横向榜单。本文没有找到能与当前价格页、配置脚本同级核验的一手发布页，因此不把这些数字写成选型结论。厂商自报评测可以观察趋势，默认主力模型仍应由自己的仓库任务来定。
当前价格：Pro 贵在哪里
| 计费项（每百万 Token） | V4 Flash | V4 Pro |
|---|---|---|
| 缓存命中输入 | 0.02 元 | 0.025 元 |
| 缓存未命中输入 | 1 元 | 3 元 |
| 输出 | 2 元 | 6 元 |
| 并发限制 | 2500 | 500 |
未命中输入和输出价格上，Pro 都是 Flash 的 3 倍；缓存命中输入的差距很小。对长会话来说，前缀缓存命中率会直接改变成本结构，因此不能只拿一轮短提示词比较两者。
实际选型可以简单一点：Flash 继续处理高频、轻量和预算敏感任务；Pro 留给大型代码库跨文件改动、长链路调试、复杂研究和高失败成本任务。是否把 Pro 设为默认模型，最好用相同的 3～5 个真实任务比较通过率、总耗时、输入输出 Token 和人工返工次数。
Codex 到底要不要更新本机配置
先看两个层面。通过 API 直接调用 deepseek-v4-pro 的应用，模型名没有变化，通常会在服务端切到 0813 正式版。Codex 除了 API 地址，还要依赖本地模型目录识别上下文、推理档位、工具能力和显示名称。
先检查，不要先覆盖
通用路径是 ~/.codex/models.json。如果设置了 CODEX_HOME，则应检查该目录下的同名文件。
rg -n 'deepseek-v4-(flash|pro)' ~/.codex/models.json
codex --version| 检查结果 | 是否需要处理 |
|---|---|
| 已有 Flash 与 Pro 两个 slug，Codex 启动时也能选择 Pro | 不用重复安装 |
文件只有 deepseek-v4-flash | 想使用 Pro 时需要更新 |
| 自定义目录或自建网关维护自己的模型目录 | 先合并 Pro 条目，避免脚本覆盖自定义配置 |
| Codex 版本低于脚本声明的最低版本 0.144.0 | 先升级客户端，再装模型目录 |
官方脚本实际写了什么
DeepSeek 当前的一键脚本版本为 1.1.0，菜单允许选择 Flash、Pro 或恢复默认配置。它生成的 models.json 同时包含两个模型条目，关键字段如下：
| 字段 | Flash | Pro |
|---|---|---|
context_window | 1048576 | 1048576 |
supports_parallel_tool_calls | true | true |
multi_agent_version | v2 | v2 |
default_reasoning_level | high | high |
supported_reasoning_levels | low / high / max | low / high / max |
minimal_client_version | 0.144.0 | 0.144.0 |
priority | 1 | 2 |
需要安装时，可以运行官方命令：
bash <(curl -fsSL https://cdn.deepseek.com/api-docs/codex-deepseek-setup.sh)脚本会创建 ~/.codex/backup-deepseek/，备份原来的 config.toml，写入双模型目录，并把 DeepSeek provider 固定到官方 API 地址、通信协议设为 Responses。再次运行可以在 Flash / Pro 之间切换或恢复默认配置。
CODEX_HOME、自定义 profiles 或额外模型元数据，优先手工合并，不要直接覆盖。
更新后怎么确认真的生效
至少做三层验证：
- 文件层：
models.json同时包含 Flash 与 Pro，且 JSON 能正常解析。 - 客户端层：Codex 启动信息显示
model: deepseek-v4-pro；桌面端本地模型可能统一显示为“自定义”。 - 调用层：跑一个小型只读任务，再跑一个跨文件但可回滚的任务，确认 Responses、工具调用和上下文压缩都没有报错。
python -m json.tool ~/.codex/models.json > /dev/null
rg -n 'model = "deepseek-v4-pro"|\[model_providers\.deepseek\]' ~/.codex/config.toml如果文件里已有 Pro，却在 Codex 里看不到，先排查实际使用的 CODEX_HOME、客户端版本和 model_catalog_json 路径。重复运行安装脚本往往只会制造更多配置差异。
我的建议
V4 Pro 值得进入候选列表，但没有必要仅凭 1M 上下文就替换日常默认模型。更稳妥的用法是让 Flash 处理高频工作，Pro 处理长链路、高复杂度和高返工成本任务；跑完一周，再看总成本和一次通过率。
配置也一样：先检查本地是否已经有 Pro，再决定更新。API 别名没变是一件事，Codex 能不能从模型目录正确加载能力元数据是另一件事。把这两层分开，升级就不会变成盲目重装。
参考资料
微信公众号
欢迎关注「字与码」
如果这篇文章对你有用，也欢迎在微信里继续关注后续更新。
X / Twitter
关注 @ax2_zicode
更即时的技术观察、新文章提醒和一些短想法会发在 X 上。