正文：
本次ReLE评测侧重中文场景下的综合能力考察，覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用以及coding八个板块。
deepseek-v4-pro版本表现：
- 测试题数：约1.5万
- 总分（准确率）：74.9%
- 平均耗时（每次调用）：145s
- 平均token（每次调用消耗的token）：3679
- 平均花费（每千次调用的人民币花费）：94.1
1、新旧对决
对比上一版参照模型deepseek-v4-pro-0424，deepseek-v4-pro正式版的核心变化是：中文综合准确率明显上升，推理数学和语言指令改善最突出，但coding出现回调，平均耗时、token和调用花费也同步增加。数据如下：
*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark
*输出价格单位： 元/百万token
- 总分进入前十：deepseek-v4-pro正式版总分为74.9%，相比deepseek-v4-pro-0424的71.7%提升3.2个百分点，排名从第22位上升至第9位。
- 推理数学提升最大：推理与数学计算从71.4%提升至82.3%，提升10.9个百分点，是所有分项中变化最大的一项。这说明正式版在中文推理、计算和复杂问题处理上有较清楚的改善。
- 语言指令明显改善：语言与指令遵从从69.7%提升至77.0%，提升7.3个百分点。对于中文任务格式、约束遵循和指令理解，这一变化对实际使用体验有直接影响。
- 多个专业领域同步上升：金融从81.6%提升至84.6%（+3.0个百分点），医疗与心理健康从85.1%提升至88.0%（+2.9个百分点），教育从60.6%提升至63.0%（+2.4个百分点），法律与行政公务从82.0%提升至84.3%（+2.3个百分点）。这些领域的提升幅度不算极端，但方向一致。
- Agent工具调用小幅提升：agent与工具调用从63.8%提升至65.6%，提升1.8个百分点。相比推理数学和语言指令，这一项提升较小，但没有出现回调。
- Coding出现下降：coding从72.2%降至66.2%，下降6.0个百分点，是正式版相对上一版最需要留意的变化。
- 响应时间显著变长：平均耗时从65s增加至145s，增加80s，约为上一版的2.2倍。正式版虽然准确率更高，但端到端响应速度明显变慢。
- Token和花费同步增加：平均token从2369增至3679，增加约55%；输出价格从24.0元/百万token升至27.0元/百万token，每千次调用花费从54.3元升至94.1元，增加39.8元。
2、横向对比
在当前主流大模型竞争格局中，deepseek-v4-pro正式版作为深度求索的新一版开源旗舰，表现如何？我们从三个维度进行横向对比分析：
同成本档位对比
- 90至120元区间的高位模型：deepseek-v4-pro（74.9%，94.1元）所处区间内，可比模型包括qwen3.7-max（76.9%，99元）、qwen3.8-max（75.4%，107.3元）、glm-5.2（73.0%，110.5元）、kimi-k2.6（72.9%，100.4元）、claude-opus-4.8（71.5%，99.4元）、claude-sonnet-5-thinking（70.8%，93.7元）、claude-opus-4.6（70.0%，96.5元）、grok-4.6（69.7%，118.4元）和gpt-5.2-high（67.3%，94.1元）。在这一档位里，deepseek-v4-pro的中文综合总分仅低于qwen3.7-max和qwen3.8-max。
- 速度不是优势：deepseek-v4-pro平均耗时145s，慢于qwen3.7-max（51s）、qwen3.8-max（67s）、glm-5.2（93s）、claude-opus-4.8（9s）、claude-sonnet-5-thinking（20s）和gpt-5.2-high（36s），也略慢于grok-4.6（144s）。
- 向上看头部模型：qwen3.7-max（76.9%，99元）、claude-opus-5（76.8%，168.8元）、kimi-k3（75.6%，172.4元）、doubao-seed-evolving（75.5%，304.7元）、qwen3.8-max（75.4%，107.3元）、gpt-5.5（75.3%，158.5元）和gemini-3.1-pro-preview（75.2%，250.5元）仍高于deepseek-v4-pro。差距集中在0.3至2.0个百分点之间。
- 向下看低成本替代方案：qwen3.7-plus（73.5%，31.7元）、qwen3.5-plus（73.3%，22.9元）、Doubao-Seed-2.0-pro（72.8%，22.5元）、kimi-k2.7-code（72.6%，49.7元）、deepseek-v4-pro-0424（71.7%，54.3元）等模型花费更低，但总分也低1至3个百分点不等。对于大规模中文文本调用，低成本模型仍有更强的单位花费得分优势；对于更看重总分上限的场景，deepseek-v4-pro正式版提供了更高的准确率位置。
新旧模型对比
- 正式版补上了总分短板：deepseek-v4-pro-0424（71.7%，第22位）在上一轮已经进入中上游，但距离头部仍有较清楚差距；正式版deepseek-v4-pro（74.9%，第9位）将差距缩小到2个百分点以内，位置更接近第一梯队。
- 能力结构发生变化：从分项看，正式版主要提升推理数学、语言指令、金融、医疗、教育和法律；agent工具调用小幅提升；coding则从72.2%降至66.2%。
- 深度求索产品线位置更清晰：当前榜单中，deepseek-v4-pro（74.9%，第9位）位于deepseek-v4-pro-0424（71.7%，第22位）、deepseek-v4-flash（68.8%，第42位）、DeepSeek-V3.2-Think（66.9%，第53位）之上。正式版承担的是DeepSeek体系里更高准确率、更高花费的旗舰位置，而Flash和旧Think版本仍适合更低成本或更轻量的调用场景。
- 与近期新模型对比：deepseek-v4-pro正式版高于doubao-seed-2-1-pro-260628（74.8%）、claude-opus-4.8-thinking（74.7%）、gpt-5.6-sol-pro（74.4%）和gemini-3.5-flash（73.9%），低于qwen3.8-max（75.4%）、doubao-seed-evolving（75.5%）、kimi-k3（75.6%）、claude-opus-5（76.8%）和qwen3.7-max（76.9%）。头部模型之间的分差已经比较密集，单次排名不宜被放大解读。
开源VS闭源对比
- 开源阵营中的前排位置：在当前榜单中，开源模型里只有kimi-k3（75.6%，172.4元）高于deepseek-v4-pro（74.9%，94.1元）。它高于qwen3.5-plus（73.3%，22.9元）、glm-5.2（73.0%，110.5元）、kimi-k2.6（72.9%，100.4元）、kimi-k2.7-code（72.6%，49.7元）、deepseek-v4-pro-0424（71.7%，54.3元）等开源模型。
- 与闭源头部仍有小幅差距：qwen3.7-max（76.9%）、claude-opus-5（76.8%）、doubao-seed-evolving（75.5%）、qwen3.8-max（75.4%）、gpt-5.5（75.3%）和gemini-3.1-pro-preview（75.2%）仍在deepseek-v4-pro之前。不过，deepseek-v4-pro已经高于多款闭源模型，包括doubao-seed-2-1-pro-260628（74.8%）、claude-opus-4.8-thinking（74.7%）、gpt-5.6-sol-pro（74.4%）、gemini-3.5-flash（73.9%）和gpt-5.4-high（72.6%）。
- 选型需要看任务权重：如果核心任务是中文综合问答、专业知识和推理，deepseek-v4-pro正式版相比0424版本有明确提升；如果任务更重视低延迟、低花费或coding分项，qwen3.7-plus、qwen3.5-plus、kimi-k2.7-code以及deepseek-v4-pro-0424仍然值得作为参照。
快速接入代码如下：from openai import OpenAI
client = OpenAI(
base_url="https://api.nonlinear.com/v1",
api_key="YOUR_API_KEY",
)
response = client.chat.completions.create(
model="deepseek-v4-pro",
messages=[
{"role": "user", "content": "分析一份中文行业报告，提取关键结论和风险点"}
],
)
print(response.choices[0].message.content)