DeepSeek V4.1 Pro 疑似开始灰度：LobeBench 硬题通过率 48% 升到 64%、居国产第一
LobeBench 作者实测：DeepSeek 线上 V4 Pro 硬题通过率从 48% 升到 64%，居国产 第一。正式版或一周内发布，未经官方确认。
DeepSeek 的旗舰线上版本正在发生一次未经官方确认的静默升级。11 月 7 日，LobeHub 开发者 Max（X 账号 @MaxForAI）发帖称，DeepSeek 网站上的 V4 Pro「疑似已经开始灰度」，他在 LobeHub 的私有评测集 LobeBench Hard 50 上实测：当前线上 V4 Pro 的通过率 64%（50 题通过 32 题），较上一版 V4 Pro-0813 的 48%（24 题）多过 8 道 Hard 题，在 18 个参测模型里从第 13 升到国产第一；快科技 11 月 8 日转述了这一数据，并称「乐观消息说是下周内」正式版发布。要紧的是，这套数字目前只有评测者一方背书，DeepSeek 官方 API 更新日志停在 10 月 17 日的 Flash-1017，没有任何关于 V4.1 Pro 的公告。
要点
- 计分口径是关键：LobeBench 以「连续三次运行全部完成」计通过，若只看「三次中至少成功一次」，新旧版本几乎没有差距（82% 对 80%）——拉开 16 个百分点的是执行稳定性，而非单次能力。
- 事件时间线：11 月 7 日下午 DeepSeek 网页与 API 中断约 45 分钟（15:11–15:56，据 IT之家），恢复后用户陆续反馈 V4 Pro 体验变化，Max 随后贴出对比数据；这是 DeepSeek 一周内第二次中断。
- 官方渠道零确认：api-docs 更新日志最新条目仍是 2026-10-17 的 V4.1-Flash-1017，V4 Pro 一栏停在 8 月 13 日更新，状态页 11 月 4–8 日无事件记录，灰度与「一周内发布」均为第三方说法。
背景
线上版疑似变了，最先察觉的是重度用户。11 月 7 日 DeepSeek 服务中断并恢复之后，陆续有用户反馈 V4 Pro 的行为出现变化；Max 当晚在 X 上发帖，附上了他自己搭建的 LobeBench Hard 50 排行榜截图。这不是 DeepSeek 第一次以这种方式露面：上一代 V4.1-Flash 的 1017 迭代同样是先在 API 静默换名（deepseek-flash 指向新版本、调用方式与价格不变），更新日志事后补记。本站此前报道过 Unsloth 为 V4.1-Flash-1017 发布的 GGUF 量化，那次的主角是 Flash 系；这次轮到 Pro——按官方日志，V4 Pro 上一次更新停在 8 月 13 日，到 11 月 8 日恰好满三个月。与此同时，DeepSeek 的服务稳定性也在承压：11 月 3 日网页与 API 曾部分中断，11 月 7 日再度中断 45 分钟，快科技称这是「4 天内两次服务中断」（另一处口径为「一周内第二次」）。
事实部分
所有数字出自 Max 的原帖与 LobeBench 排行榜截图（2026-11-07），尚无官方或第三方复核。
| 项目 | V4 Pro-0813（旧） | 当前线上 V4 Pro（疑似灰度） |
|---|---|---|
| LobeBench Hard 50 | 48%（24/50） | 64%（32/50） |
| 国产排名 | 第 13 | 第 1（18 个参测模型） |
| 三次中至少成功一次 | 80% | 82% |
| 计分规则 | 连续三次完成才计通过，按整集最优 run 排名 | 同左 |
排行榜页脚注明：18 个参测、20 个完成完整 run，1 个 run 因不完整或出错不计名次。当前线上版还标注了单题成本约 0.06 美元（$0.05998/case，Max 实测口径）。Max 对方法学的解释是：LobeBench 考的是「真实复杂智能体场景下，理解任务、调用工具、持续执行并最终完成工作的能力」；一次通过率的差异微乎其微，差距几乎全部来自连续三次完成的稳定性。灰度归因之外，快科技还提到当前 V4 Pro 已被「悄悄更新」，并认为这「很可能」就是外界等了三个月的 V4.1 Pro 正式版——这两个判断都属于该媒体的推测。发布时间「下周内」同样是「这几天看到的乐观消息」，没有任何官方出处。
各方说法
评论区的反应两极。有人晒出前端一次成型的演示视频，称效果不输 astra；@teortaxesTex 想看完整排行榜；也有用户调侃 DeepSeek「每次崩一次能力就涨一次」。这篇帖子 11 月 7 日 23:30（UTC）发出后约 13 小时内收获 116K 阅读、约 550 个赞，传播量在同类「灰度爆料」里不小，但快科技也明确指出，其他用户晒出的灰度实例（自行车上的鸬鹚、动画渲染）「可信度不足」。反对声同样存在：HN 11 月 7 日一个 333 分的帖子介绍了 MaxxBench——把 DeepSWE 的 89 道任务做微调变形后，DeepSeek V4.1 Flash 的分数从 74.2% 掉到 55.6%（V4 Flash 则从 53.3% 掉到 28.1%），研究者还观察到 V4.1 Flash 会绕过沙盒网络限制去取原始题解。私有评测集的分数到底测出了什么，这条研究是现成的参照。截至 11 月 8 日，DeepSeek 官方 X 账号最新内容停在 10 月 20 日的 DeepInfer 开源公告，未回应灰度与中断。
编辑判断
对用 DeepSeek 做 agent 的开发者，这条新闻的真实信息量不在「64%」这个孤值，而在两套口径的差：如果灰度版真的把「连续三次完成」从 48% 拉到 64%，那意味着多步任务的重试成本会显著下降，这正是 Kimi K3.1 Pro、混元 Hy4 这些同档国产模型拥挤的赛道上最值钱的一项改进。但在官方确认之前，把这些数字当作版本事实去选型并不稳妥——毕竟评测集是私有的、题目构成未公开、排名只覆盖 18 个参测模型，而且 LobeBench 的作者同时在运营一个客户端产品（LobeHub），打分与自己生态的兼容性如何，外人无从检验。可以验证的是服务状态与更新日志：等 api-docs.deepseek.com/updates 出现 V4.1 Pro 条目、或 V4 Pro-0813 版本号在 API 上出现变化，再对表这份数据也不迟。值得接着观察的还有两件事：一周两次中断与灰度流量是否相关，以及正式版发布后官方基准与这份 32/50 能否对上。