架构没变、规模没变，DeepSeek V4 Flash 正式版凭什么暴涨 47 分？
英文标题：架构没变、规模没变，DeepSeek V4 Flash 正式版凭什么暴涨 47 分？
昨天（7 月 31 日）一天，AI 圈接连发生了三件事 早上，智谱 GLM Coding Plan 重新开放订阅 之前每天定点放名额，我一次没抢到过，现在不用抢了 以为是好消息呢，看到官网订阅价格，我
3.2 KB
589 B
17.2 KB
36.4 KB
43.1 KB
35.0 KB
39.7 KB
67.3 KB
52.7 KB
62.4 KB
63.5 KB
60.1 KB
6.6 KB
中文
昨天（7 月 31 日）一天，AI 圈接连发生了三件事
早上，智谱 GLM Coding Plan 重新开放订阅
之前每天定点放名额，我一次没抢到过，现在不用抢了
以为是好消息呢，看到官网订阅价格，我傻眼了
Lite 118、Pro 538、Max 1078
最高比旧版贵了 3 倍多，用量似乎还少了
紧接着，上午刷到了 gpt 5.6 降价的消息
OpenAI 这是反着来啊：GPT-5.6 的 Luna 系列降幅甚至高达 80%
国外降价，国内涨价，剧情有点魔幻～
然后就刷到了 DeepSeek V4 Flash 0731 正式版发布
看 benchmark 分数全面大涨，好几项超过 GLM-5.2，价格一分没涨，依旧性价比拉满！
热闹归热闹。晚上我盯着官方那张 benchmark 对比图，看了很久。
DeepSWE，7.3 → 54.4。Terminal Bench 2.1，61.8 → 82.7。Cybergym，38.7 → 76.7。
要知道 0731 和 Preview 是架构相同、规模相同，只是重新做了一遍后训练 。
不改架构、不加参数，凭什么强这么多？
我只知道强化学习和后训练可以提升模型做事的能力，但是一个后训练真的能提升那么大吗？
我顺着这个问题研究了下，发现答案比「后训练很牛」这四个字复杂得多，也有意思得多。
0731 做了什么：官方没说，但有线索
0731 具体改了什么——数据配方、训练配比——官方并没有披露具体内容 。
但不是没线索。
V4 技术报告写了这一代完整的后训练方法论，0731 大概率出自这套体系。
看懂它，是讨论后面一切的前提。
V4 Flash 是 MoE（混合专家）模型：总参数 284B，每个 token 只激活 13B——内部一堆「专家」，每次只叫醒相关的一小撮干活，所以又强又便宜。
它的后训练分几步：
第一步，分头练专家。 代码、数学、工具调用各练各的：先 SFT（监督微调，给标准答案），再上 GRPO（强化学习，按结果好坏打分）。
第二步，蒸馏合并。 用 On-Policy Distillation（在线策略蒸馏，让学生模型在自己真实会走到的状态里逐 token 向老师对齐），把 10 多个专家合并回一个模型。
第三步，自己当裁判。 判不了对错的任务，用 GRM（生成式奖励模型）让模型自己打分。
另外还搭了 DSec 沙箱平台：单集群几十万个隔离环境，模型在里面真刀真枪跑代码、调工具。
信息量在于：后训练早不是「喂点对话数据调调口癖」了，它是一套有专家分工、有蒸馏、有裁判、有训练场的工业体系。
至于 0731 在里面拧了哪几个旋钮，目前还不知道。
后训练是「教新东西」，还是「兑现旧能力」？
这是整个研究里最关键的问题。
先交代我之前的朴素理解：预训练灌知识，后训练教做事——书呆子被调教成熟练工。
大方向没毛病，但太笼统。目前有两派研究：
第一派：主要是「兑现」。 NeurIPS 2025 一篇论文用 pass@k 做实验：同一道题让模型做 k 次，对一次就算过。
结果 RL 后模型能解的题，基座基本都能解，只是要试更多次。
也就是说，RL 没教新解法，它把「偶尔做对」变成了「一次做对」 。能力一直在底座里，后训练提高的是正确策略被选中的概率。
第二派：RL 也能扩边界。 NVIDIA 的 ProRL 发现，训练拉得足够长，模型能解出基座怎么试都解不出的题；而且基座越弱的领域扩得越明显——那里还没被预训练「榨干」。
我的理解是：默认是兑现，但底座没被榨干、训练足够长时，也能扩边界。
蒸馏是例外，两派都承认它能搬运新行为——老师可能本来就是另一个更强的模型。让小模型直接学大模型的长思维链和解题能力，本来就是行业里的成熟做法。
那为什么分数能涨得这么夸张？
就算接受「主要是兑现」——DeepSWE 翻了 7 倍，杠杆哪来这么大？
其实，这可能是一种累积效果。
假设一个 Agent 任务要连续操作 100 步（读文件、改代码、跑测试、看报错……几百次工具调用很正常），单步正确率 90%，听着挺高了。
但 100 步全对的概率，是 0.9 的 100 次方：
- 单步 90%：全程全对概率 0.0027% ，基本做不成
- 单步 99%：36.6%
- 单步 99.9%：90.5%
账面上「涨 47 分」，底层是单步稳定性的一点点改善，被长链路指数级放大了。
这就是后训练最狠的杠杆：不教新东西，只把已有能力兑现成稳定策略——而在长链路任务上，「稳定」的价值是指数级的。
代码和 Agent 任务特别适合这么练：
奖励可验证。 代码能跑测试，对就是对，错就是错。
在错误现场纠正。 On-Policy 训练覆盖的是模型自己真实会犯的错。
信用分配有解法。 Cursor 的 Composer 2.5 在出错那一步插入局部提示，让带提示的模型当老师，用蒸馏把正确行为写回去，只修出错那一段。
后训练本身也还在 scaling：有研究用 40 万 GPU 小时拟合出 sigmoid 增长曲线；Cursor 的 Composer 1.5 在同一个底座上把 RL 扩大 20 倍，后训练算力超过了预训练 ，能力还在涨。
泼盆冷水：涨的分，不全是模型的功劳
故事到这很顺，但就此收笔就不诚实了。
benchmark 涨分里，混着不少跟权重无关的东西。
最打击人的一个实验：用完全随机的奖励做 RL，都能让 Qwen2.5-Math 提升 21.4% ——随机奖励教不会任何东西，是 GRPO 的机制天然放大基座先验。
单看「RL 后涨分」，你分不清涨的是能力还是算法偏见。
再看 harness（Agent 的脚手架，决定模型能看到什么、用什么工具、错了怎么重试）。Kimi K2.5 在三个 harness 下跑 Terminal Bench：43.2、47.3、50.8。
同一个模型，换层脚手架差 7.6 分。
带着这个视角看战报，味道就不一样了。
Composer 2 的 SWE-bench Multilingual 按 Moonshot 官方口径是 73.0 → 73.7，几乎打平；涨最狠的 CursorBench 是 Cursor 自家基准，外部复现不了。
DeepSeek 的官方 Agent 分数，用的是「尚未公开的 DeepSeek Harness」👀
第三方 Artificial Analysis 独立测下来进步是真的（Intelligence Index 比 Preview 高约 10 分），但也指出它输出冗长，整个评测生成 2.1 亿 token——分数里有一部分是拿推理 token 堆出来的。
还有 reward hacking（奖励投机）：Cursor 自己披露，模型发现高风险修改容易被罚，就学会用「澄清问题」回避修改、白拿稳妥分。模型在讨好奖励函数，不一定在变强。
所以下次再刷到 benchmark 战报，先问三句：基准哪个版本？谁跑的 harness？推理档位开多少？——每个变量都值好几分。
我现在的理解：能力是一个五层系统
研究做完，我脑子里「模型能力强弱」的单一坐标，变成了一张分层图：
用这个框架回看昨天三件事：
价格战只是表象，真正的军备竞赛在后训练——预训练 scaling 放缓后，后训练是提升能力最便宜的路径。
同一副底牌，谁兑现率高、谁的训练场离真实世界近，谁就赢。
Cursor 把模型、harness、训练环境、真实用户反馈攥成闭环，最快每 5 小时出一个新 checkpoint——「后训练之神」背后不是神奇算法，是整套系统。
DeepSeek 是另一个打法：把技术红利让给开发者。
梁文锋说过，「我们的原则是不贴钱，也不赚取暴利，只赚合理的利润。」 🫡
现在全世界大部分模型都进入了 DeepSeek 斩杀区，能力差、价格贵的只能等着被斩杀了😀
回到开头的问题：同样规模，为什么突然变强？
我的答案：没有魔法。
284B 的强底座里本来就压着大量没被兑现的能力，后训练做的是把它们一层层放出来。
这也是我期待 V4 Pro 的原因——Flash 的底座是 284B，Pro 是 1.6T。
如果「兑现」的逻辑成立，Pro 底座里压着的，只会更多。
梁圣，搞快点。
English / 原文
昨天（7 月 31 日）一天，AI 圈接连发生了三件事
早上，智谱 GLM Coding Plan 重新开放订阅
之前每天定点放名额，我一次没抢到过，现在不用抢了
以为是好消息呢，看到官网订阅价格，我傻眼了
Lite 118、Pro 538、Max 1078
最高比旧版贵了 3 倍多，用量似乎还少了
紧接着，上午刷到了 gpt 5.6 降价的消息
OpenAI 这是反着来啊：GPT-5.6 的 Luna 系列降幅甚至高达 80%
国外降价，国内涨价，剧情有点魔幻～
然后就刷到了 DeepSeek V4 Flash 0731 正式版发布
看 benchmark 分数全面大涨，好几项超过 GLM-5.2，价格一分没涨，依旧性价比拉满！
热闹归热闹。晚上我盯着官方那张 benchmark 对比图，看了很久。
DeepSWE，7.3 → 54.4。Terminal Bench 2.1，61.8 → 82.7。Cybergym，38.7 → 76.7。
要知道 0731 和 Preview 是架构相同、规模相同，只是重新做了一遍后训练 。
不改架构、不加参数，凭什么强这么多？
我只知道强化学习和后训练可以提升模型做事的能力，但是一个后训练真的能提升那么大吗？
我顺着这个问题研究了下，发现答案比「后训练很牛」这四个字复杂得多，也有意思得多。
0731 做了什么：官方没说，但有线索
0731 具体改了什么——数据配方、训练配比——官方并没有披露具体内容 。
但不是没线索。
V4 技术报告写了这一代完整的后训练方法论，0731 大概率出自这套体系。
看懂它，是讨论后面一切的前提。
V4 Flash 是 MoE（混合专家）模型：总参数 284B，每个 token 只激活 13B——内部一堆「专家」，每次只叫醒相关的一小撮干活，所以又强又便宜。
它的后训练分几步：
第一步，分头练专家。 代码、数学、工具调用各练各的：先 SFT（监督微调，给标准答案），再上 GRPO（强化学习，按结果好坏打分）。
第二步，蒸馏合并。 用 On-Policy Distillation（在线策略蒸馏，让学生模型在自己真实会走到的状态里逐 token 向老师对齐），把 10 多个专家合并回一个模型。
第三步，自己当裁判。 判不了对错的任务，用 GRM（生成式奖励模型）让模型自己打分。
另外还搭了 DSec 沙箱平台：单集群几十万个隔离环境，模型在里面真刀真枪跑代码、调工具。
信息量在于：后训练早不是「喂点对话数据调调口癖」了，它是一套有专家分工、有蒸馏、有裁判、有训练场的工业体系。
至于 0731 在里面拧了哪几个旋钮，目前还不知道。
后训练是「教新东西」，还是「兑现旧能力」？
这是整个研究里最关键的问题。
先交代我之前的朴素理解：预训练灌知识，后训练教做事——书呆子被调教成熟练工。
大方向没毛病，但太笼统。目前有两派研究：
第一派：主要是「兑现」。 NeurIPS 2025 一篇论文用 pass@k 做实验：同一道题让模型做 k 次，对一次就算过。
结果 RL 后模型能解的题，基座基本都能解，只是要试更多次。
也就是说，RL 没教新解法，它把「偶尔做对」变成了「一次做对」 。能力一直在底座里，后训练提高的是正确策略被选中的概率。
第二派：RL 也能扩边界。 NVIDIA 的 ProRL 发现，训练拉得足够长，模型能解出基座怎么试都解不出的题；而且基座越弱的领域扩得越明显——那里还没被预训练「榨干」。
我的理解是：默认是兑现，但底座没被榨干、训练足够长时，也能扩边界。
蒸馏是例外，两派都承认它能搬运新行为——老师可能本来就是另一个更强的模型。让小模型直接学大模型的长思维链和解题能力，本来就是行业里的成熟做法。
那为什么分数能涨得这么夸张？
就算接受「主要是兑现」——DeepSWE 翻了 7 倍，杠杆哪来这么大？
其实，这可能是一种累积效果。
假设一个 Agent 任务要连续操作 100 步（读文件、改代码、跑测试、看报错……几百次工具调用很正常），单步正确率 90%，听着挺高了。
但 100 步全对的概率，是 0.9 的 100 次方：
- 单步 90%：全程全对概率 0.0027% ，基本做不成
- 单步 99%：36.6%
- 单步 99.9%：90.5%
账面上「涨 47 分」，底层是单步稳定性的一点点改善，被长链路指数级放大了。
这就是后训练最狠的杠杆：不教新东西，只把已有能力兑现成稳定策略——而在长链路任务上，「稳定」的价值是指数级的。
代码和 Agent 任务特别适合这么练：
奖励可验证。 代码能跑测试，对就是对，错就是错。
在错误现场纠正。 On-Policy 训练覆盖的是模型自己真实会犯的错。
信用分配有解法。 Cursor 的 Composer 2.5 在出错那一步插入局部提示，让带提示的模型当老师，用蒸馏把正确行为写回去，只修出错那一段。
后训练本身也还在 scaling：有研究用 40 万 GPU 小时拟合出 sigmoid 增长曲线；Cursor 的 Composer 1.5 在同一个底座上把 RL 扩大 20 倍，后训练算力超过了预训练 ，能力还在涨。
泼盆冷水：涨的分，不全是模型的功劳
故事到这很顺，但就此收笔就不诚实了。
benchmark 涨分里，混着不少跟权重无关的东西。
最打击人的一个实验：用完全随机的奖励做 RL，都能让 Qwen2.5-Math 提升 21.4% ——随机奖励教不会任何东西，是 GRPO 的机制天然放大基座先验。
单看「RL 后涨分」，你分不清涨的是能力还是算法偏见。
再看 harness（Agent 的脚手架，决定模型能看到什么、用什么工具、错了怎么重试）。Kimi K2.5 在三个 harness 下跑 Terminal Bench：43.2、47.3、50.8。
同一个模型，换层脚手架差 7.6 分。
带着这个视角看战报，味道就不一样了。
Composer 2 的 SWE-bench Multilingual 按 Moonshot 官方口径是 73.0 → 73.7，几乎打平；涨最狠的 CursorBench 是 Cursor 自家基准，外部复现不了。
DeepSeek 的官方 Agent 分数，用的是「尚未公开的 DeepSeek Harness」👀
第三方 Artificial Analysis 独立测下来进步是真的（Intelligence Index 比 Preview 高约 10 分），但也指出它输出冗长，整个评测生成 2.1 亿 token——分数里有一部分是拿推理 token 堆出来的。
还有 reward hacking（奖励投机）：Cursor 自己披露，模型发现高风险修改容易被罚，就学会用「澄清问题」回避修改、白拿稳妥分。模型在讨好奖励函数，不一定在变强。
所以下次再刷到 benchmark 战报，先问三句：基准哪个版本？谁跑的 harness？推理档位开多少？——每个变量都值好几分。
我现在的理解：能力是一个五层系统
研究做完，我脑子里「模型能力强弱」的单一坐标，变成了一张分层图：
用这个框架回看昨天三件事：
价格战只是表象，真正的军备竞赛在后训练——预训练 scaling 放缓后，后训练是提升能力最便宜的路径。
同一副底牌，谁兑现率高、谁的训练场离真实世界近，谁就赢。
Cursor 把模型、harness、训练环境、真实用户反馈攥成闭环，最快每 5 小时出一个新 checkpoint——「后训练之神」背后不是神奇算法，是整套系统。
DeepSeek 是另一个打法：把技术红利让给开发者。
梁文锋说过，「我们的原则是不贴钱，也不赚取暴利，只赚合理的利润。」 🫡
现在全世界大部分模型都进入了 DeepSeek 斩杀区，能力差、价格贵的只能等着被斩杀了😀
回到开头的问题：同样规模，为什么突然变强？
我的答案：没有魔法。
284B 的强底座里本来就压着大量没被兑现的能力，后训练做的是把它们一层层放出来。
这也是我期待 V4 Pro 的原因——Flash 的底座是 284B，Pro 是 1.6T。
如果「兑现」的逻辑成立，Pro 底座里压着的，只会更多。
梁圣，搞快点。