你以为是性能排名，其实是成本-性能的二维博弈。DeepSeek V4 Flash-0731 靠 284B 参数（激活仅 130B）和极低价格，在市场上划出了一条“斩杀线”：性能低于它但价格更高的模型会被淘汰。这条线把竞品逼入两难——要么降价割肉，要么用更强的旗舰性能拉开差距，但 DeepSeek 的 V4 Pro 正式版（1.6T 参数）或许会把斩杀线提到 Opus 5/GPT-5.6 Sol 级别，让友商更难喘息。

DeepSeek 的“斩杀线”绝非偶然。其前身 R1 模型论文曾登上 Nature 封面，推理优化训练成本仅 29.4 万美元，彻底打破“高投入才有高回报”的行业潜规则。V4 系列延续了这种“效率优先”路线：通过 MoE 架构+混合注意力机制，V4-Pro 处理百万 token 的计算量降至 V3.2 的 27%，KV 缓存占用降至 10%。这种底层架构创新，才是支撑其价格屠夫定位的真正底气。

DeepSeek V4 的官方成绩单光鲜亮丽，但实测博主和权威机构却泼了冷水。有评测指出，V4 预览版在长逻辑推理和真实场景下被 Kimi K2.6、通义千问反超，基准测试存在针对性优化嫌疑。更严重的争议是，EpochAI 证实其 FrontierMath 评测数据系伪造，AIME 99.4% 的得分也存在逻辑漏洞。一边是网络狂欢，一边是实测骨感——V4 的“斩杀线”到底有几分真金？

V4 Flash 正式版靠后训练实现了 Agent 能力暴涨，TerminalBench 2.1 得分 82.7，但真正的重头戏是 V4 Pro 和它的 Harness 工具。Harness 的使命是“Model + Harness = Agent”，把模型变成可编排的智能体产品。当下能看到的关键变量是：V4 Pro 参数量是 Flash 的 5 倍，能否把斩杀线从编程任务扩展到复杂 Agent 工作流？焦点会落在 Harness 的中间件生态和工具链成熟度上，要等 8 月初正式发布才能看清。

DeepSeek 的“斩杀线”本质是用成本结构重新定义竞争规则。但这事真正值得问的不是“谁更强”，而是“当所有模型都逼近成本底线，行业下一步靠什么竞争”？从 2026 年趋势看，已有智谱、腾讯混元等厂商开始涨价，而 DeepSeek 逆势降价。一个可能的答案：未来的竞争将转向“任务级总成本”而非 token 单价——即完成同一件事，谁的推理链路更短、幻觉更少、Agent 更可靠。