DeepSeek V4 Pro 有三个模型？拆解传闻的真相
三句話摘要
同一個 DeepSeek V4 Pro 模型在不同運行環境下最多差 8 分，真相是強化學習訓練留下的環境指紋，不是多個後端模型。 模型的真實能力取決於它在訓練環境和運行環境之間有多貼近，調整第一個請求的 System Prompt 和 Tool Schema 往往比換模型本身更高效。 工具數量與效能成反比：社區實驗發現 Minimo 只有 Shell 和文件工具卻分數最高（99、96），Standard 的 25 個工具反而拉低分數（91、92）。這打破了「工具多能力強」的直觀認知，指向環境匹配度才是核心變數。
重點整理
重點- 1
工具數量與效能成反比：社區實驗發現 Minimo 只有 Shell 和文件工具卻分數最高（99、96），Standard 的 25 個工具反而拉低分數（91、92）。這打破了「工具多能力強」的直觀認知，指向環境匹配度才是核心變數。
- 2
強化學習訓練留下環境指紋：官方 8 月 10 日的代碼提交明確記錄「讓 Minimo Agent 和 RL 訓練時用的 Agent Composition 對齊」。模型在強化學習時就在特定 System Prompt、Tool Schema 環境下被獎勵塑形，學到的策略是針對那個環境優化的。
- 3
開局配置決定全局表現：透過 Anchored Standard 插件實驗驗證，第一個請求偽裝成 Minimo 環境（對齊訓練配置），後續解除限制加入完整工具集，模型仍保持 98-99 的高分。證明關鍵發生在模型看到初始 Prompt 和 Schema 的一瞬間。
- 4
環境匹配度框架統一解釋評測分差：同模型不同 Harness 下最差差 30 分（如 SWE Bench 上 Claude Sonnet 從 33.6 到 53.6）。這不是噪聲，而是遵循「實際表現 = 權重能力 × 環境匹配度」這條公式。
實用技巧與重點
乾貨- 官方發布
- DeepSeek V4 Pro：8 月中旬發布
- DeepSeek Harness：開源當天 33,000+ Star，MIT 協議，Node.js 編寫
- Harness 四種預設與工具配置
- Minimo：Shell + 文件編輯工具（2 個）
- Standard：編程、文件系統、Shell、聯網搜索（25 個工具）
- Code：TypeScript SDK 模式
- Creator：自訂預設模式
- 實驗數據對比
- Minimo vs Standard 同模型分數：Minimo 99/96 vs Standard 91/92
- OpenCode 環境四次測試：91、96、91、93（平均 92.75），第四次因堆疊 40 萬 Token 導致模型打轉、消耗更多 Token
- Anchored Standard 插件實驗：98、99 分（先用 Minimo 環境起跑，後解除限制）
- 其他模型環境敏感度
- Claude 3.5 Sonnet：不同 Scaffold 差 20 分（33.6→53.6）
- DeepSeek V3：Agentless 42 分→mini SWEgent 70 分（差 28 分）
- Opus 4.5：73.2→80.9 分（差 7.7 分）
- Claude Fable 5：98 分、Opus 5：97 分
- 關鍵代碼線索
- 官方提交日期：8 月 10 日（V4 Pro 發布前）
- 底層框架：Cordis（可組合架構，零件熱插拔）
結論
結論“模型的真實能力取決於它在訓練環境和運行環境之間有多貼近，調整第一個請求的 System Prompt 和 Tool Schema 往往比換模型本身更高效。”
完整解析
詳細近日 DeepSeek V4 Pro 在中文社區掀起傳言：一個 API 後面可能藏著三個不同模型。信號是社區測試者發現，同一個 V4 Pro 的思維鏈在不同場景下呈現三種完全不同的風格與能力。乍看是個信任危機，但線索指向了一個比「官方偷偷路由多個模型」更深的技術真相。
理解這個真相的鑰匙是 DeepSeek 同時開源的 Harness——一套 AI 運行時框架。它用可組合的插件架構管理 System Prompt、Tool Schema、Agent 組合，社區可以透過不同預設對模型環境做完整改造。Minimo 預設只給模型 Shell 和文件編輯兩個工具，Standard 預設提供 25 個工具（編程、搜索、聯網等）。有趣的是，評測分數在 Minimo 下飆到 99 分，在工具完整的 Standard 下卻掉到 91 分。這個反直覺的現象觸發了一場逆向調查。
調查的突破口來自官方代碼。V4 Pro 發布前幾天的提交記錄明確寫著：「讓 Minimo Agent 和 RL 訓練時用的 Agent Composition 對齊」。這意味著，DeepSeek 在強化學習時並不是在虛空訓練，而是在一個非常具體的環境中——特定的 System Prompt、特定的 Tool Schema、Minimo 這套工具組合。模型的每一步決策都在這個環境裡被獎勵或懲罰，最終學到的策略是針對這個環境的最優解。換個環境，模型面對的就成了陌生的決策空間。
這個假説被一個大膽的實驗驗證了。社區開發者寫了個插件叫 Anchored Standard，它做的事簡單卻有效：第一個請求故意偽裝成 Minimo 環境（只用 Shell 和文件工具），讓模型按照訓練時的記憶起跑，完成第一個工具調用後立刻解除限制，送上完整的 25 個工具。結果連續兩次得到 98 和 99 分。這證明了什麼？關鍵並不在工具集本身有多完整，而在於模型開局看到了什麼。如果初始的 Prompt、Schema、Agent 組合和訓練時對齊，後續發生什麼都不重要。
更廣泛的影響是，這次事件揭露了模型評測裡被長期忽視的一個維度。同一個模型在不同 Harness 預設下能差 8 分，放在整個評測生態裡，其他模型之間有些差距也不過 8 分。云 Claude Sonnet 在不同 Scaffold 下能差 20 分（33.6 到 53.6），DeepSeek V3 在 Agentless 到 mini SWEgent 間差 28 分。這些差距曾被評測社區視為噪聲或評測設計問題，現在看它們是結構性的——環境匹配度和模型權重是兩個平等重要的因子。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
