续：DeepSeek｜V4 Flash榜单领先但真实Agent任务通过率约五成

续报八月中旬Harness开源与峰谷定价落地之后，本轮增量是：榜单热度与真实多工具Agent通过率之间的裂缝，被独立评测摊开。

DeepSeek是国内大模型公司，V4 Flash定位高吞吐与速度，V4 Pro定位更复杂工作流；此前已公开DeepSeek Harness（Agent运行时）并启动API峰谷定价。所谓Agent harness，白话是把模型放进可调用工具、可重试、可记录会话的外壳里跑任务——同一模型换外壳，成绩可能差一截。据VentureBeat报道，工具平台Composio将V4 Flash放入Claude Code、Codex、OpenCode等八套Agent harness，在涵盖Gmail、GitHub、Slack、Google Sheets等实时工具的三十项故意加难的多步任务上共跑二百四十次：一百二十九次通过，整体约百分之五十三点八；仅六项工作流在所有测试harness上全部成功。

报道据此强调：编排、工具配置、缓存、重试与服务栈，可能比「裸模型能力」更能决定企业场景成败。同一篇文章梳理官方价目：V4 Flash与Pro按峰谷与缓存命中等维度上调，部分口径相对此前低价可升高数倍至十余倍不等；公司称约十七个小时维持半价以鼓励可调度负载。即便涨价，分析仍认为相对多家前沿闭源厂商仍具价格优势。OpenRouter等平台上Flash仍居高用量位置——开发者侧热度与企业合同化落地，被区分成两件事。

可以把本轮验收标准改写成三句话：

1. 榜单与流量：Flash仍受开发者追捧，不等于生产一次通过。
2. Harness方差：同一模型在不同外壳上表现分裂，采购要测「模型 + 编排」组合。
3. 经济变量：峰谷价把「何时推理」变成成本开关；可等待的批量任务与实时Agent账单结构不同。

与八月十四日前后Harness开源续报的分工是：彼时是运行时与定价架构落地；本条是真实Agent任务与涨价后的产业解释。对采购方，指标应从「榜单分」换成「单位成功工作流成本」与失败恢复率；对多模型架构团队，则更支持「便宜模型跑高频、贵模型跑高风险」的路由思路。

需要把边界读清楚。Composio评测为第三方设置，不能直接写成「模型废了」；涨价以DeepSeek官方价目页为准；Flash API仍处公测叙事时，企业标准化证据链仍短。下一观察点是Flash结束公测后的稳定性，以及多模型路由是否成为默认企业架构——榜单会骗人，账单与失败日志不会。