DeepSeek 8月13日发布V4‑Pro（半撤回） +DeepSeek Harness

2026‑08‑13，同步发布DeepSeek‑V4‑Pro‑0813基座模型与Agent运行时DeepSeek Harness（v0.1开发者预览，MIT开源）。随后发生半撤回事件，发布宣传叙事撤回，API接口并未下架，官方重新上线但未对外解释事件原因。
国内率先完成“基座大模型+Agent执行运行时”完整技术栈；本次半撤回事件不是简单技术故障，而是裸模型能力与“模型+Harness”系统协同成绩叙事边界的修正；AI竞争从模型跑分转向Agent真实任务闭环能力，公式Agent = 模型 + Harness；定价权重构进入第二阶段，试图摆脱单纯Token价格内卷。
一、事件定性：半撤回，非回炉重造
官网发布横幅、更新公告全部撤下，API、定价页面保留0813版本标识，服务可正常调用，属于宣传叙事层面撤回，并非模型彻底下线回炉重造。
核心矛盾：裸模型能力 VS 模型+Harness系统协同成绩
官方基准：在Harness完整运行环境下，Agent任务跑分（终端操作87.9分等）逼近海外头部模型。
第三方独立裸模型实测：脱离Harness运行底座，V4‑Pro‑0813仅小幅优于Flash（53 vs 52），弱于竞品Kimi K3。
官方将整套系统联合优化后的成绩，包装成裸模型原生能力，形成市场预期错配。
二、DeepSeek‑V4‑Pro‑0813 能力重新审视
架构不变：MoE总参1.6T，激活49B，依靠大规模专项后训练面向Agent任务优化。
Agent专项：系统强，裸模型提升有限，同时暴露短板
配套Harness环境：DeepSWE、Terminal Bench、CyberGym取得高分；CyberGym攻防智能体52.7→83.3分（+58%），网络安全属于高付费垂直场景。
裸模型实测：相比Flash提升微弱，长链路任务缺陷暴露：50轮长任务存在约42轮“提前交卷”现象；网络安全场景召回率高，但误报率34.4%，直接削弱生产实用性。
长上下文能力（硬件架构层面不受本次事件影响）
上下文窗口100万token，最大输出384K token，可完整加载大型代码库；
自研混合稀疏注意力降低长序列KV缓存开销；Engram记忆机制缓解长会话幻觉；
双模式切换：thinking深思模式 / 快速模式，兼顾推理质量与响应速度。
产品分层与商业化设计（性价比逻辑受到挑战）
V4‑Pro（旗舰，并发上限500，面向复杂Agent）；V4‑Flash（高吞吐，并发2500，普通业务）；新增图像推理能力。
三、DeepSeek将“模型+Harness”的系统协同优化成绩，误包装成了裸模型的原生能力。
Harness价值重估：混乱中的确定性
独立性：Harness作为MIT开源的Agent运行底座，其架构价值（一切皆插件）和生态价值（300+插件）不受此次事件影响。
战略意义：本次撤回反而证明了Harness的重要性——模型裸跑天花板已现，真正的差异化在于“模型+执行环境”的系统优化。
四、实测暴露的重大短板
稳定性不足：长程任务（50轮）中存在42轮左右“提前交卷”现象，未用完调用次数。
误报率高：网络安全场景虽召回率高，但误报率达34.4%，实用性大打折扣。
性价比存疑：若Pro仅比Flash强1分，目前的高价与分层定价逻辑缺乏支撑。
五、V4-Pro-0813的“翻车”恰恰验证了DeepSeek的战略公式：Agent = 模型 + Harness。
V4-Pro可能不是那个“全能旗舰”，但它证明了Harness作为“放大器”的潜力。DeepSeek试图用开放栈（Harness）对抗海外封闭栈，方向正确，但步子迈得大了，导致模型预期管理失败。
六、跟踪重点
最高优先级：官方是否给出撤回解释；Artificial Analysis是否更新评分。
关键验证：开发者能否用Harness + 其他模型（如Kimi/Qwen）复现高分？（验证Harness是核心变量）。
观测项：峰谷定价（8月17日）是否如期执行。