两组数据：DeepSeek 官方发布成绩；第三方（Z.ai 官方博客 2026-08-14）交叉对比。均可从 MIT 开放权重复现。
| 评测 | 模型 | 成绩 | 备注 |
|---|---|---|---|
| DeepSWE v1.1（Pass@1） | V4.1-Flash-1017 | 77.0% | 平均单任务约 $0.20；低档 72%+ @ $0.10；前代 V4.1-Flash 为 74.2% @ $0.50 |
| SWE-Bench Verified | V4-Pro | 80.6% | 真实仓库级问题修复 |
| LiveCodeBench | V4-Pro | 93.5% | 实时竞赛级编程 |
| Terminal-Bench 2.0 | V4-Pro | 67.9% | 终端智能体 |
| Codeforces | V4-Pro | 3,206 | 竞赛编程 Rating |
| Putnam-200（Pass@8） | V4-Flash | 81.0% | 数学竞赛 |
| SWE-Bench Verified | V4-Flash | 79.0% | 与旗舰差 1.6pt，价格约 1/4 |
来源：DeepSeek 官方发布页与 API 文档（V4 预览 2026-04-24、V4.1-Flash 2026-09-10、1017 2026-10-17）。
GLM-5.3 发布时官方公布的对照成绩；DeepSeek-V4-Pro 列高亮。同期 GPT-5.6 Sol 为对照中最强，V4-Pro 在开源阵营保持第一梯队。
| Benchmark | GLM-5.3 | Kimi K3 | DeepSeek-V4-Pro | Opus 4.8 | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench 2.1 | 88.2 | 88.3 | 87.9 | 85.0 | 88.8 |
| DeepSWE v1.1 | 66.9 | 67.5 | 62.7 | 58.0 | 72.7 |
| NL2Repo | 58.0 | 58.0 | 61.1 | 69.7 | — |
| CyberGym | 84.5 | 80.0 | 83.3 | 78.1 | 83.6 |
| Toolathlon Verified | 73.0 | 76.5 | 74.1 | 76.2 | 74.9 |
| AutomationBench v1.0.6 | 48.2 | 46.7 | 43.2 | 41.0 | 45.8 |
| ALE-CLI | 28.5 | 27.6 | 25.7 | 25.7 | 28.6 |
| HLE w/ Tools | 62.5 | 59.8 | 60.0 | 57.9 | 64.5 |
| GDPval-AA v2 | 1769 | 1682 | 1590 | 1588 | 1730 |
数据来源：Z.ai 官方博客（2026-08-14）；未参评项以 — 表示。价格对照：V4-Pro 错峰 $0.66/$1.98、V4-Flash $0.14/$0.28 每百万 tokens。
1M token 负载下总算力开销约为 V3.2 的 27%——混合注意力（CSA+HCA）的直接收益。
KV 缓存占用约为 V3.2 的 10%，长上下文并发服务的显存成本大幅下降。
V4.1-Flash 系缓存命中输入低至 $0.003/百万 tokens，反复检索同一语料的管线成本趋近于零。