DeepSeek V4 Flash 实测：8 块钱跑完一个完整任务
Claude Science 绿皮书 · 番外 01 · 2026-08-01
封面：Claude Science 绿皮书 番外01 · 8 块钱的一夜
7 月以来我在 Claude Science 里跑任务，卡住我的从来不是模型够不够聪明。是钱，和断线。
省流
之前我一直推 GLM 5.2，它好用，但两天能把我一个月的额度烧光，烧光就断在半路。V4 Flash 把这两条一起解了：一整夜 70M tokens，8 块钱，中途没断。代价是它没有眼睛。
- 痛点不在能力，在烧得太快、断得太勤。
- 现在：输出 $0.28/M，缓存命中 $0.0028/M，长任务能无人值守自己滚。
- 它看不见图，改一版丑一版，偶尔吐乱码，视觉的活得另外接。
一、最大的痛点叫 GLM 5.2
先把话说在前面：GLM 5.2 好用。逻辑深度够，做科研类的活很稳，我推过它很多次，到现在也不收回。
问题是它太贵。不是单价看着贵，是在 Claude Science 这种几十轮循环的用法里贵得让人不敢放手跑。
我 OpenCode Go 订阅、中转、官网三种入口都跑过，结果都一样——用着用着就断了。断的原因就两条：
- 额度烧完，任务只能停在半路。 不是它不会做，是做到一半没钱了。
- 烧得太快。 状态好的时候两天能把一整个月的额度清空。
图 1：七月成本图，橙柱几乎全是 GLM 一个模型
长任务最怕的就是断。断一次，前面几十轮的上下文全白烧，重跑又是一笔钱。所以我一直在等一个东西：便宜到我敢丢长任务，稳到它能自己跑完。
二、7 月 31 日，V4 Flash 放出 0731 刷新版
等来了。模型名 deepseek-v4-flash，284B 总参数 / 13B 激活，MIT 开源，目前是公开 beta。
图 2：分数排第二梯队，价格不在一个量级
| 项 | V4 Flash | 对照 |
|---|---|---|
| 输入 | $0.14 / 1M | Sol $5 / 1M、Fable 5 $10 / 1M |
| 输出 | $0.28 / 1M | Sol $30 / 1M、Fable 5 $50 / 1M |
| 缓存命中 | $0.0028 / 1M | Sol $0.50 / 1M、Fable 5 $1.00 / 1M |
图 3：同一栏输出价，差一百倍以上
它的分数也不是聊天榜上的分数：Terminal Bench 2.1 82.7、Toolathlon 70.3、DSBench-FullStack 68.7、DeepSWE 54.4。四项全在第二梯队，离 Opus-4.8 最近一项只差 2.9 分，且都比 GLM 5.2 高。Artificial Analysis 的 Intelligence Index 给它 50 分，同类中位数是 25；而它的输入输出单价都在中位数以下（中位数 $0.43 / $1.20）。
对我最实际的是另一件事：它原生吃 Codex / Responses API。我切的时候没改一行代码，改个模型名就跑起来了。
三、8 块钱，70M tokens，一整夜
当晚我丢了一个完整任务下去，就在 Claude Science 里：读数据、跑实验分析、调本地工具、看报错、改代码、再验证，来回滚了一整夜。睡前我的心理价位是三位数。
早上打开：70M tokens，¥8.48。我盯着那个数字看了好几秒，第一反应是页面没刷新。
图 4：7 月 31 日一天，70M tokens，账单 8 块 4
账单拆开看：一整夜 681 次请求，Tokens 70,260,137，消费 ¥8.48，几乎全是 deepseek-v4-flash 一个模型烧的。这就是那一夜的全部成本。
账能这么低，不是牌价便宜这么简单。Claude Science 干活天然是海量输入、少量输出，读代码库、读报错、读数据全算输入；而它反复读的是同一批文件、同一段报错，大部分输入都吃到了缓存，命中价只有正常输入的 1/50。我以前算账一直看牌价，这次才发现牌价只是个入场券。
四、比便宜更要紧的是它不断
便宜本来是我最在意的，跑了几天发现不是。
真正改变工作方式的是它扛得住长跑。任务丢下去，我去睡觉，早上回来它还在跑。不掉线、不卡死、逻辑链没散。
只要 prompt 写清楚，它能自己滚：执行 → 报错 → 读报错 → 改 → 再执行。这个循环一旦能无人值守地转下去，成本结构就彻底变了。论聪明它排不到前面，论能连着干八个小时不出岔子，目前我只信它。
五、它是个瞎子
短板得说完。
没有视觉。 这是我踩得最疼的一条。让它调图，它看不见自己调出来的东西，只能照着代码猜。结果是越改越丑，而它自己毫不知情。
偶发乱码。 长上下文跑久了会吐出一小段乱码，不多，但出现在代码里就得回头查。
话多。 跑完同一套评测，它用了约 206M 输出 token，同类中位数是 100M，整整多一倍。每 token 便宜，但话多，纯输出密集的任务得重新算一遍。
前两条指向同一个解法：给它接一只眼睛。要么写一个带视觉反馈的 Skill，截图丢给有视觉的模型判好坏、再回灌给它；要么直接把视觉模型当端口挂上去，专管看。这事不难，但必须做。
六、脑贵手便宜，中间夹一层 review
图 5：便宜的手，得配一只借来的眼
我现在的分层是三层。
- 脑： 规划、架构权衡、任务拆解。一个月几百次，用顶级模型，贵但值。
- 手： 写、改、跑、修。一天几万次调用，全交给 V4 Flash。
- 眼： 验收视觉产物。外接有视觉的模型或 Skill。
三层里最关键的一环是中间那道 review。Claude Code 那套带 review 的循环架构，跟它简直是天生一对：执行层疯狂试错，review 层负责拦，错了退回去重来。以前这种多跑几轮的打法舍不得用，一轮一轮全是钱；现在试错几乎免费，循环越深，省得越多。
把便宜发挥到极致的方式不是少花钱，是敢多跑几轮。
七、这套架构真跑出了什么
光说账单是空的。同一套分工，我在 Claude Science 里跑了一个完整的科研项目：DINOv3 + PatchCore 工业异常检测，数据处理、批量分析、报告生成都压在执行层上。
图 6：三个数据域，正常与真实异常并排
先看数据长什么样：bottle、tape、自定义芯片三个数据域，每个都给训练正常、测试正常、真实异常和局部放大。异常往往就是图里那一小块，肉眼不细看看不出来。
图 7：15 类里 13 类过 0.95
MVTec AD 15 类宏平均图像级 AUROC 0.9696。
图 8：这几张的定位，你觉得准不准
这是几个真实缺陷样本的检测拼图，原图、标注、热力图并排。数字好看不算数，看图才知道它是不是真找对了地方。哪几张你觉得不行，评论区告诉我。
实验的假设、方法设计、结果判断都是我自己下的，Claude Science 干的是跑腿。省下来的是时间，不是判断。
总结：一张表带走
| 什么活 | 交给谁 | 数字 |
|---|---|---|
| 架构权衡、任务拆解 | 顶级模型（脑） | 一个月几百次 |
| 写码、改错、跑测试 | V4 Flash（手） | 70M tokens / ¥8.48 |
| 无人值守的长任务 | V4 Flash + review 闭环 | 连跑一整夜 |
| 看图、验收视觉产物 | 外接视觉模型或 Skill | 越改越丑 |
| 高重复上下文 | 吃缓存 | $0.0028 / 1M |
复盘：这一篇只在讲几件事
一层是价格。输出价落在顶级模型的百分之一档，这一条决定要不要试。
二层是结构。真正把账压下来的是缓存：命中价只有输入价的 1/50，它一个人把多出来的那一倍话抵掉了还有富余。
三层，说白了就一句：我改的不是模型，是分工。
现在我敢让 Claude Science 跑一整夜，第二天早上平静地看账单。
想更便宜地开始：我的邀请码
不想碰 API、只想要个现成壳子直接用的，走 OpenCode Go：首月 $5、次月 $10，里面的模型是一桌自助餐。
用我的邀请码注册，双方各返 $5，首月那 $5 基本等于没花出去：
- 邀请链接：
https://opencode.ai/go?ref=7ZWT70EQ03 - 邀请码：
7ZWT70EQ03
怎么挑模型、一天到底花多少，第 04 篇里写过，这里不重复。