實測 DeepSeek V4 Pro GA 與 Preview：思考量少 18–62%

DeepSeek V4 Pro 正式版在相同任務上使用的推理 token，比它取代的 Preview 少 18% 到 62%。它修正了可能耗盡整個 8,192 token 輸出視窗的失效模式，也是首個關閉思考後能穩定進行嚴格 JSON 擷取的 Pro 版本。不過，它也失去了 Preview 坦承不知道答案的能力。我們在 GA 上線四天後，以同一批測試比較 deepseek-v4-pro-0813 與 Preview 版本。本文只比較 token 數量，因為 DeepSeek 在測量前一天調整了 V4 定價，並新增尖峰／離峰計費；用兩張持續變動的價目表比較金額，反而不如 token 數量有參考價值。DeepSeek 推出 GA 版本時，沒有發布部落格文章、變更記錄或新聞稿，要確認改了什麼，只能實測。

TL;DR

• GA 每項任務使用的推理 token 少 18–62%；簡單查詢為 18 對 48。
• 兩個版本開啟思考後，都會產生值錯誤的嚴格 JSON（正確率 2/8）；只有關閉思考的 GA 能穩定輸出正確結果（8/8）。
• GA 修正了 Preview 的失效模式：設定 thinking_budget: 16 時，Preview 在 9 次測試中有 5 次耗盡 8,192 token 輸出視窗；GA 則是 0 次。
• GA 不再明確拒答：面對虛構實體時，Preview 會在 100 到 150 token 內表示無法回答；GA 則會回傳空訊息，或直接捏造答案。

GA 版本的思考量少多少？

少 18% 到 62%，工作越簡單，差距越大。以下是四項標準任務，各執行三次並加入隨機干擾後，推理與完整輸出的 token 中位數：

每項任務在兩個版本上的正確率都是 3/3，因此這是純粹的效率提升，並非以品質換取成本。容量規劃時要注意這個趨勢：任務越深，節省幅度越小。單步查詢可減少 62%，五步驟推理鏈則只減少 18%。無論兩個版本實際價格如何，差異都呈現這種分布。結構化擷取的改善最大；使用嚴格 json_schema 時，推理 token 從 159 降到 40，減少為四分之一。

切換版本後，快取行為完全相同：兩個版本都會快取 5,000 token 前綴中的 4,096 token，並在預熱請求後 4 秒命中。目前變動的是費率，而不是快取機制。DeepSeek 調高了 V4 系列價格，並自 2026-08-16 16:00 UTC 起導入尖峰／離峰計費，離峰費率減半。將這些 token 數量換算成金額前，請先確認各版本當下的價目表，以及執行時段。

GA 有修正任何可量化的問題嗎？

有，而且修正的是這個系列成本最高的失效模式。對 Preview 版本傳送 thinking_budget: 16 會讓模型失去脈絡：它不會短暫思考後回答，而是陷入重複迴圈（「I’ll output: 168. I’ll output: 168…」），直到耗盡 max_tokens。在相同五步驟任務的 9 次測試中，Preview 有 5 次填滿整個 8,192 token 視窗；GA 則是 0 次，每次都在 79 到 130 token 內正常回答。

這個問題的關鍵就是成本：原本想限制推理量來省錢，最後卻產生 8,193 個輸出 token；正常回答約只需 130 個，相當於為了要求模型少思考，反而付出 63 倍的輸出費用。Preview 使用 64 token 預算也不安全，3 次測試中有 2 次答錯，答案分別為 183 與 174。如果仍固定使用 Preview，並透過小型思考預算控制成本，應優先停用這個組合。

在這裡關閉思考是安全的，但同系列模型不一定都如此：Flash 0731 關閉思考後，兩步驟算術的正確率從 6/6 降到 0/6。兩個 Pro 版本使用 thinking: {"type": "disabled"} 或 enable_thinking: false 時，在五步驟推理鏈上仍維持 3/3。對 Pro 而言，關閉思考不會降低推理任務的正確率，還能修正下文所述的結構化擷取問題。

兩個版本的調整旋鈕都仍只是裝飾。reasoning_effort 接受 low、medium、high、xhigh 與 max；傳入 none 或 minimal 時，會回傳 400 並列出有效選項。在五步驟任務中，GA 各等級使用 76–122 個推理 token，Preview 則使用 116–167 個，沒有單調遞增或遞減的趨勢。正如跨供應商思考控制矩陣的實測結果，DeepSeek 真正有效的控制方式是關閉開關與預算，而不是 enum。

思考仍會破壞嚴格 JSON 嗎？

會，兩個版本都有這個問題，但 GA 首次提供了可靠的解法。我們先前在 DeepSeek V4 Flash 0731 發現這項缺陷：JSON 符合 schema，但數值錯誤。這個問題延續到了 Pro。我們要求兩個版本依照嚴格 json_schema，從三行發票中擷取四個欄位。每種設定各執行 8 次，並檢查實際數值，而非只驗證 schema：

所有失敗結果都能解析、通過 schema 驗證，但內容是錯的。明明只有三個品項，模型回傳的品項數量卻包括 45、22、2026、-4、-35 與 -3864。某次 Preview 回傳的總額是 -139,308,173,307,904；某次 GA 則捏造了另一家公司（「MITRE」，總額 1000）。驗證器會把這些結果全部視為有效 JSON。

實務結論很直接。在 GA 上關閉結構化擷取的思考後，我們每次測試都得到正確結果；這項設定是離開 Preview 的最有力理由。Preview 即使關閉思考，8 次仍有 6 次錯誤。結果與我們對 Flash 的實測一致，關閉思考同樣修正了所有測試結果。這也再次符合思考控制矩陣中的單步驟安全區：擷取不需要推理，而在這個模型系列中，推理反而會破壞結果。

GA 失去了什麼？

它失去了回答「我不知道」的能力。我們詢問五個虛構實體，包括某公司的股價、某研究機構的人數、某城鎮的章程、某合金的熔點，以及某獎項得主。Preview 會在 100 到 150 個輸出 token 內明確表示無法回答，例如：「I don’t have any information about a 1987 Pan-Continental Robotics Prize.」GA 則有兩種反應，而且都沒有用：

發布前，我們透過第二條獨立請求路徑再次驗證。Preview 對抽樣的三個問題全部拒答，使用 101 到 148 個 token。GA 則有一題耗用 8,191 個 token 後回傳空白答案；另一題使用模糊措辭；第三題為不存在的合金斷言具體熔點「2,314 degrees Celsius」。不同用戶端呈現相同的不對稱行為，表示問題來自模型本身。

對檢索管線而言，實際後果是雙重成本：索引中沒有答案的問題，會耗盡整個輸出視窗進行隱藏推理；最後回傳的不是空白，就是驗證器可能照單全收的虛構內容。如果將無法回答的查詢路由到這個模型，請把 max_tokens 設得夠低，讓問題容易察覺且成本可控，並將空白輸出視為未命中，而不是錯誤。

切換後還有其他變化嗎？

變化很少，因此是否切換取決於行為，而不是整合成本。兩個版本都能在單次呼叫中接受 279,000 個輸入 token，並回答藏在中段的針對性問題。兩者也共用同一套系列 tokenizer：相同的英文、中文與程式碼混合語料，在 GA、Preview 與 deepseek-v4-flash-0731 上的計數完全一致，因此 token 預算可原封不動地套用到整個系列。兩個版本都會直接接受 temperature、top_p 與 top_k，也都支援預填 assistant turn，也就是 DeepSeek 文件中的 prefix-completion 功能。

快取行為連分頁單位都完全相同：兩個版本都不會快取 512 token 前綴；超過此門檻後，則以精確的 1,024 token 分頁快取，包括 1,024、2,048 與 4,096。預熱請求後 4 秒即可命中，分頁大小與 Flash 相同。另一個需要釐清的成本問題是：兩個版本都會在 reasoning_content 中回傳完整思考鏈，而把它帶入下一輪不會產生成本。無論上一輪推理是否保留，後續輪次在 GA 都計為相同的 134 個輸入 token，Preview 則是 56 個。某些模型會對保留的推理逐 token 重複計費，但這個系列會直接忽略它。

工具迴圈沒有明顯優勢。在由兩個函式組成的 agent 迴圈中，先查詢事件，再重啟事件指定的服務。GA 第一跳的推理量較多，為 48 對 34；第二跳則較少，為 18 對 35。兩個版本選對工具的比例都是 3/3。考量 DeepSeek 將這次更新定位於 agent 工作負載，逐跳推理量的差異更接近持平，沒有整體效率數字看起來那麼明顯。對會遇到死路的 agent 而言，上述拒答行為更值得注意。

常見問題

GA 版本的執行成本低多少？

以 token 計算，每項任務的推理量減少 18–62%；使用嚴格 json_schema 時則減為四分之一。若要換算金額，請查看目前價目表。DeepSeek 在 2026-08-16 調整 V4 系列價格，並新增尖峰／離峰計費，離峰費率減半。因此，即使 token 數量相同，實際價格也會依版本與時段不同。

GA 在簡單任務還是複雜任務上省得更多？

簡單任務。單步查詢的推理量減少 62%；兩步驟文字題與 JSON 擷取約減少 48%；五步驟算術推理鏈則只有 18%。兩個版本在深層多步驟工作上的差異會縮小；切換版本對淺層、高流量工作負載最划算。

DeepSeek V4 Pro 還適合使用小型思考預算嗎？

Preview 不適合。thinking_budget: 16 會讓它陷入重複迴圈，9 次測試中有 5 次耗盡完整的 8,192 token 輸出視窗。原本想降低成本，結果輸出費用反而約為 63 倍；使用 64 token 時也會答錯。GA 在相同預算下 9 次都正常完成，因此小型預算只有在這個具日期版本上才安全。

DeepSeek V4 Pro 的嚴格 JSON 輸出可信嗎？

只有 GA 關閉思考後可信。每種設定各執行 8 次時，兩個版本開啟思考後，都有 6/8 的 schema 有效回應包含錯誤數字；三個品項的發票，品項數量竟回傳 45、2026 或 -3864。GA 使用 thinking: {"type": "disabled"} 時，8 次全部正確；Preview 即使關閉思考，仍有 6/8 錯誤。不要只驗證 schema，也要驗證實際數值。

DeepSeek V4 Pro 會拒答無法回答的問題嗎？

Preview 會在 100–150 token 內拒答。GA 大多不會：面對虛構實體時，它不是耗盡整個輸出視窗進行思考後回傳空白訊息，就是在視窗較大時斬釘截鐵地捏造答案。請用自己的資料來源驗證，不要因模型沒有拒答就信任結果，並將空白輸出視為未命中。

本次測量於 2026-08-17 透過 Synthorai 閘道完成，當時 GA 版本已上線四天。所有比較都在同一批次重新執行 Preview：調整旋鈕與關閉開關矩陣（7 個 effort 值、5 個 budget、2 個關閉參數，n=3）、四項任務的推理掃描、嚴格 JSON 結構化輸出、兩輪函式呼叫迴圈、使用兩種視窗大小的五題虛構實體探測、四欄位嚴格 JSON 數值完整性探測（每種設定 n=8）、一組推理重播計費比較、兩種等待時間的隱式快取成對測試與快取下限區間測試、包含針對性問題的 279K token 脈絡接受測試、V4 系列固定語料 tokenizer 比較，以及 sampling／prefill／n>1 接受度探測。失控率來自每個版本在 max_tokens: 8192 下的 9 次執行。本文使用 token 數量而非金額，因為 DeepSeek 在本批測試前一天，也就是 2026-08-16，調整 V4 系列定價並導入尖峰／離峰計費。拒答行為與失控問題皆透過第二條獨立請求路徑交叉驗證。費率與行為可能改變；依賴任何單一數字前，請重新測量。

← 返回部落格