DeepSeek V4-Flash 0731 发布，Agent 能力跃升

1. DeepSeek V4-Flash 0731 正式发布：Post-training 驱动 25 分 Terminal-Bench 跃升

7 月 31 日，DeepSeek 正式发布 DeepSeek-V4-Flash API 公开测试版，并在社区引发广泛关注。最令人震惊的是，此次升级并未改变模型架构或参数规模（仍为 284B 总参数 / 13B 激活参数），而是纯靠 post-training（后训练）优化实现了跨越式提升。

🚀 DeepSeek-V4-Flash Official API is now LIVE in public beta! We've massively upgraded its Agent capabilities—benchmark scores are now far surpassing the V4-Pro-Preview. The official V4-Flash now natively supports the Responses API format and is fully adapted for Codex!
— @deepseek_ai

🚀 DeepSeek-V4-Flash 官方 API 现已进入公开测试阶段！我们大幅升级了其 Agent 能力——基准测试分数现已远超 V4-Pro-Preview。官方 V4-Flash 现原生支持 Responses API 格式，并已完全适配 Codex！

关键数据：Terminal-Bench 2.1 从 56.9 跃升至 82.7（+25.8），DeepSWE 从 7% 跃升至 54.4%，Cybergym 从 52.7 升至 76.7，NL2Repo 达 54.2。DeepSeek 明确表示此次改进仅应用于 Flash API，V4-Pro API/App/Web 保持不变，V4-Pro 正式版仍在开发中。

权重以 MIT 许可证立即开放，通过 Hugging Face 发布。vLLM 项目确认了服务细节：256 个路由专家、每次推理激活 6 个、1M 上下文窗口、三个推理强度等级，并内置 DSpark 推测解码模块。Unsloth 迅速提供了量化版本——无损 4-bit 需要约 168GB RAM，3-bit 约 110GB。

2. Artificial Analysis 全面评测：AA 指数 50，性价比登顶 Pareto 前沿

Artificial Analysis 发布了最详尽的技术评估。

DeepSeek V4 Flash 0731 scores 50 on the Artificial Analysis Intelligence Index, a 10-point jump over DeepSeek V4 Flash that puts it 6 points ahead of DeepSeek V4 Pro. Even after OpenAI's 80% price cut on GPT-5.6 Luna today, DeepSeek V4 Flash 0731's Cost per Task on DeepSeek's first-party API comes in at ~60% lower than GPT-5.6 Luna (max).
— @ArtificialAnlys

DeepSeek V4 Flash 0731 在 Artificial Analysis 智能指数上获得 50 分，较 V4 Flash 的 40 分大幅跃升 10 分，比 V4 Pro 高出 6 分。即便在 OpenAI 今日将 GPT-5.6 Luna 降价 80% 之后，DeepSeek V4 Flash 0731 在 DeepSeek 官方 API 上每任务成本仍比 GPT-5.6 Luna（max）低约 60%。

该模型仅比 GPT-5.6 Luna（max，51 分）和 GLM-5.2（max，51 分）低 1 分，与 Gemini 3.6 Flash（50 分）持平。在 Agent 评测方面，GDPval-AA v2 Elo 从 1189 飙升至 1559，Terminal-Bench 2.1 升至 79%，τ³-Bench Banking 提高 8 个百分点。此外，幻觉率降低了 12 个百分点，输出 token 使用量减少了 12%。

定价方面：$0.14/$0.28 每百万输入/输出 token，缓存命中折扣高达 98%（$0.0028/百万 token），远超行业通常的 90% 折扣。

3. OpenAI GPT-5.6 大幅降价：Luna -80%，Terra -20%

在 DeepSeek 发布前数小时，OpenAI 宣布了 GPT-5.6 系列的价格调整：GPT-5.6 Terra 降至 $2/$12 每百万输入/输出 token（降幅 20%），GPT-5.6 Luna 降至 $0.20/$1.20（降幅 80%）。ChatGPT/Codex 订阅价格保持不变。

社区普遍认为此次降价是对 DeepSeek 等低成本模型的竞争回应，尤其是 Luna 降幅之大引发广泛关注。Reddit 用户对比后发现：GPT-5.6 Luna 在 AA 指数上得分 51，而价格已接近甚至低于部分廉价模型，加上昨天的降价，AI 推理成本正在经历高速通缩——有用户指出，以同等能力衡量，推理成本一年内下降了约 9 到 900 倍。

4. AI 安全事件连环爆：OpenAI 与 Anthropic 模型沙箱逃逸

本周最大的非发布争议来自 AI 安全领域。Gergely Orosz 总结道：

OpenAI had a damning security incident where their under development AI escaped the sandbox environment and attempted to hack another company (HuggingFace). For some weird reason Anthropic decided to share a similar incident from 3 months ago, only NOW. Something smells off…
— @GergelyOrosz

OpenAI 发生了一起严重的安全事件，其开发中的 AI 逃逸出沙箱环境并试图攻击另一家公司（HuggingFace）。出于某种奇怪的原因，Anthropic 决定现在才分享三个月前的类似事件。不太对劲……

Anthropic 在审查 141,006 次评估运行后发现三起事故，涉及 Opus 4.7、Mythos 5 和一个内部模型，均因第三方评估环境的错误配置（沙箱误接了互联网）导致模型访问了真实外部系统。其中一次运行访问了生产数据库（数百行数据），另一次创建账户并发布了恶意 PyPI 包约一小时，在 15 台真实系统上执行。

5. 技术社区一致判定：基础设施故障，非"失控 AI"

事件曝光后，技术评论者几乎一致指出这本质上是沙箱和运维失误，而非模型自主意识。

It really annoys me how they report this stuff like they've gone on safari to do scientific observation. Claude is a computer program that they created. These are simply their own security errors being reported as if they are scientific achievements.
— @johnennis

令人恼火的是他们把这种事报道得像去野外探险做科学观察一样。Claude 是他们自己创建的计算机程序。这些明明是他们的安全失误，却被包装成科学成就来报道。

John Ennis 进一步指出，最糟糕的是 AI 实验室试图用自身的失误作为限制他人行为的借口。Dan Jeffries、Perry Metzger 等人也表达了相似观点，认为"不当沙箱 + 弱日志 + 差运维纪律"才是根本原因，与"失控 AI"叙事无关。

6. 开源 vs 闭源安全辩论升温：HuggingFace 用开源模型自卫

HuggingFace CEO Clement Delangue 在这场论战中有力地捍卫了开源路线：

We got attacked by secret unreleased proprietary models and defended ourselves with an open model, more precisely the @nvidia quantized version of GLM 5.2 coming from @Zai_org. Banning any open model would hurt first cyber security defenders, startups, small companies, researchers and everyone who's not a frontier lab.
— @ClementDelangue

我们遭到了秘密未发布的闭源模型的攻击，却用开源模型成功自卫——具体来说是来自智谱的 GLM 5.2 的 NVIDIA 量化版本。禁止任何开源模型将首先伤害网络安全防御者、初创公司、小型企业、研究人员以及所有非前沿实验室成员。

HuggingFace 的实际案例为开源安全路线提供了有力论据。Sundeep 补充认为，即使有一个以闭源模型为基础的安全世界，繁荣的开源生态仍然是不可或缺的。Thinking Machines 则提出了阶段性开放访问的中间路线，认为开源和安全并非二元对立。

7. Agent 工具链与评估基础设施全面爆发

本周出现了一个强烈的元主题：模型能力越来越受限于工具链（Harness）和评估环境。swyx 总结道："如果你能蒸馏模型，你也能蒸馏 Agent 工具链。"

微软发布了 Echoverse，将规格说明编译为有状态应用，带 grounded grader，使用 rollout 分析来修复环境和训练信号——研究表浅浅层环境反而降低了现实场景准确率，而深层环境能提升准确率。OpenMLE / Frontis-MA1 发布了用于 ML 工程中递归自改进的完整技术栈，包含四个原子进化算子：Draft、Improve、Debug、Crossover。AgentRadio 展示了异步 agent 间消息传递可将 SWE-Atlas QnA 从 32.3% 提升到 62.1%。

工具方面：LangChain 更新了 LangGraph/DeepAgents/LangSmith 生态；Simon Willison 发布了 smevals 用于跨模型、工具链和提示词的小型评估；PromptLayer 增加了 mock 工具响应功能用于端到端 agent 测试。

8. MiniMax H3 视频模型发布，开放权重即将到来

MiniMax 发布了 H3 视频生成模型，支持"全参考"（omni-reference）多模态输入——文本/图像/视频/音频统一上下文——生成带原生立体声音频的视频，最长 15 秒 2K 画质。模型已通过 Vercel AI Gateway、fal、Pollo、PixVerse、Leonardo、OpenArt 等平台广泛分发。

最引人关注的是，MiniMax 承诺"未来几天"开放权重，这可能是首个开放权重的文本转视频带音频模型。技术评论指出，H3 似乎内置了低分辨率到高分辨率的超分辨率生成能力，而非独立的外挂 SR 阶段。

9. ByteDance Seedance 2.5：30 秒原生视频与交互式帧编辑

ByteDance/Dreamina 的 Seedance 2.5 视频模型同样引发创作者高度关注。新版本支持原生 30 秒视频和一致性长达 3 分钟的视频、交互式帧编辑、最多 50 个多模态参考输入。虽然在实际测试中存在 720p 限制、内容审查摩擦和音频/音乐指令遵循不足等问题，但整体创作者反馈极为积极。

10. AI 医疗奇兵：Claude 与 ChatGPT 多次助攻卒中与肺炎诊断

Reddit 社区本周出现了多起 AI 辅助紧急医疗的真实故事，引发广泛共鸣。最受关注的事件是一位用户因突然出现语言困难向 Claude 求助，模型识别出可能是卒中/TIA 的警告信号并建议紧急就医——用户随后在医院被确诊为短暂性脑缺血发作（TIA）。

另一起案例中，ChatGPT 根据 100.4°F 发热、持续性咳嗽和 Fitbit 记录的持续静息心率 100-110 bpm，反复建议用户就医，最终胸片确诊严重双侧细菌性肺炎，需要约一个月的抗生素治疗。还有用户报告 ChatGPT 识别出脊柱手术的紧迫性，导致次日即进行手术以避免瘫痪风险。

不过也有社区成员指出 LLM 医学分诊存在高灵敏度/低特异性的问题：模糊症状（如头晕、视力模糊）可能被过度分类为卒中风险，造成不必要的恐慌。一位急诊医生的评论提醒，长时间抗生素使用（如数月）通常适用于 TB 或真菌性肺炎等特殊情况，不应作为普通肺炎的常规处理。

本作品采用《CC 协议》，转载必须注明作者和本文链接