全面超过GLM-5.2，DeepSeek-V4-Pro-0813全球第三？

DeepSeek-V4-Pro-0813 正式版发布之后，最值得关注的并不是“模型又更新了一次”，而是它在 Agent、Coding、终端执行、自动化任务等一系列评测中的整体位置发生了明显变化。

这次我把DeepSeek-V4-Pro-0813、DeepSeek-V4-Flash-0731、DeepSeek-V4-Pro-Preview、DeepSeek-V4-Flash-Preview、GLM-5.2、Kimi-K3、Opus-4.8、Fable 5放到同一张表中，对比 11 项 Agent 相关 Benchmark。

先说结论：

如果只看这组公开评测数据，DeepSeek-V4-Pro-0813 已经全面超过 GLM-5.2，并且基本进入当前 Agent 模型的第一梯队。

但“全球第三”这个说法，需要更谨慎地理解。

它不是指某个统一权威榜单已经正式给 DeepSeek-V4-Pro-0813 排到全球第三，而是从这组 Agent Benchmark 的综合表现来看，V4 Pro 0813 已经能够稳定进入头部模型竞争区间，并且在部分项目上超过 Kimi-K3、Opus-4.8 和 Fable 5。

一、先看最直接的对比：V4 Pro 0813 全面超过 GLM-5.2

这一点其实是整张表里最明确的结论。

在 GLM-5.2 已公布成绩的项目中，DeepSeek-V4-Pro-0813 全部领先。

HLE

HLE 原表同时给出了无工具和有工具两种成绩。

无工具：

• DeepSeek-V4-Pro-0813：42.7

• GLM-5.2：40.5

有工具：

• DeepSeek-V4-Pro-0813：60.0

• GLM-5.2：54.7

无论是否允许工具调用，V4 Pro 0813 都领先。

二、Terminal Bench 2.1：已经接近最高水平

Terminal Bench 2.1 主要考察模型在终端环境中的实际操作能力。

成绩如下：

• DeepSeek-V4-Pro-0813：87.9

• DeepSeek-V4-Flash-0731：82.7

• GLM-5.2：81.0

• Kimi-K3：88.3

• Opus-4.8：85.0

• Fable 5：88.0

这一项中，V4 Pro 0813 并不是第一。

Kimi-K3 以 88.3 排在前面，Fable 5 为 88.0。

但 V4 Pro 0813 的 87.9 已经非常接近最高分，同时超过了 Opus-4.8 和 GLM-5.2。

换句话说，在终端任务这个维度上，V4 Pro 0813 已经不是“追赶者”，而是直接进入头部模型竞争区间。

三、NL2Repo：明显超过 GLM，但距离 Opus 还有差距

NL2Repo 的结果比较有代表性：

• DeepSeek-V4-Pro-0813：61.5

• DeepSeek-V4-Flash-0731：54.2

• V4-Pro-Preview：38.5

• V4-Flash-Preview：39.4

• GLM-5.2：48.9

• Opus-4.8：69.7

Kimi-K3 和 Fable 5 在原表中没有公布这一项成绩。

这里可以看到两个趋势。

第一，V4 Pro 0813 相比自己的 Preview 版本提升非常大。

第二，它已经明显超过 GLM-5.2，但距离 Opus-4.8 依然存在差距。

所以如果只看 NL2Repo，还不能说 DeepSeek 已经全面达到 Opus 水平。

四、Cybergym：V4 Pro 0813 甚至略高于 Fable 5

Cybergym 是这张表中很值得注意的一项。

成绩如下：

• DeepSeek-V4-Pro-0813：83.3

• DeepSeek-V4-Flash-0731：76.7

• V4-Pro-Preview：52.7

• V4-Flash-Preview：38.7

• Kimi-K3：80.0

• Opus-4.8：78.3

• Fable 5：83.1

这一项中，V4 Pro 0813 拿到了83.3。

不仅高于 Kimi-K3 和 Opus-4.8，甚至还比 Fable 5 的 83.1 高 0.2。

这说明 DeepSeek-V4-Pro-0813 在部分复杂 Agent 任务上，已经具备直接拿下头部成绩的能力。

五、DeepSWE：正式版和 Preview 已经完全不是一个级别

如果要找一个最能体现这次升级幅度的 Benchmark，我会选 DeepSWE。

成绩变化非常夸张：

• V4-Flash-Preview：7.3

• V4-Pro-Preview：12.8

• GLM-5.2：46.2

• V4-Flash-0731：54.4

• Opus-4.8：58.0

• V4-Pro-0813：62.7

• Kimi-K3：67.5

• Fable 5：70.0

从 V4-Pro-Preview 的 12.8 到正式版的 62.7，跨度非常大。

这里最值得关注的不是绝对排名，而是 DeepSeek 自身版本迭代的变化。

Preview 阶段的 V4 Pro 在这一项几乎没有进入头部竞争区间，而 0813 正式版已经超过 Opus-4.8 和 GLM-5.2，仅落后于 Kimi-K3 和 Fable 5。

这已经不是常规意义上的“小版本优化”。

六、Toolathlon-Verified：进入第一梯队，但没有拿第一

Toolathlon-Verified：

• DeepSeek-V4-Pro-0813：74.1

• DeepSeek-V4-Flash-0731：70.3

• V4-Pro-Preview：55.9

• V4-Flash-Preview：49.7

• GLM-5.2：59.9

• Kimi-K3：76.5

• Opus-4.8：76.2

• Fable 5：77.9

这一项很能说明 V4 Pro 0813 当前的位置。

它已经明显甩开 GLM-5.2 和两个 Preview 版本，但 Kimi-K3、Opus-4.8、Fable 5 仍然更高。

也就是说：

DeepSeek 已经进入第一梯队，但第一梯队内部仍然存在差距。

这可能是描述 V4 Pro 0813 最准确的一句话。

七、Agents' Last Exam：和 Opus-4.8 打平

Agents' Last Exam 的成绩：

• DeepSeek-V4-Pro-0813：25.7

• DeepSeek-V4-Flash-0731：25.2

• V4-Pro-Preview：16.5

• V4-Flash-Preview：15.8

• GLM-5.2：23.8

• Kimi-K3：27.6

• Opus-4.8：25.7

Fable 5 没有公布这一项成绩。

这里 V4 Pro 0813 和 Opus-4.8 都是 25.7，Kimi-K3 为 27.6。

对于 Agent 综合任务来说，能够在这一项与 Opus-4.8 打平，本身就说明 V4 Pro 0813 已经进入非常高的位置。

八、AutomationBench：V4 Pro 0813 直接拿下当前表格最高分

AutomationBench 是这次 DeepSeek 表现非常亮眼的一项。

成绩：

• DeepSeek-V4-Pro-0813：31.8

• DeepSeek-V4-Flash-0731：25.1

• V4-Pro-Preview：12.8

• V4-Flash-Preview：10.8

• GLM-5.2：12.9

• Kimi-K3：30.8

• Opus-4.8：27.2

• Fable 5：29.1

V4 Pro 0813 的31.8是这张表中该项目的最高成绩。

比 Kimi-K3 高 1.0，比 Fable 5 高 2.7，比 Opus-4.8 高 4.6。

如果平时主要关注 Agent 自动化执行、工作流编排、工具链调用，这个成绩很有参考价值。

九、DSBench-FullStack：整体已经非常接近头部模型

DSBench-FullStack：

• DeepSeek-V4-Pro-0813：71.1

• DeepSeek-V4-Flash-0731：68.7

• V4-Pro-Preview：41.8

• V4-Flash-Preview：37.0

• GLM-5.2：61.8

• Kimi-K3：73.7

• Opus-4.8：71.6

• Fable 5：77.2

这里 V4 Pro 0813 与 Opus-4.8 只有 0.5 分的差距。

虽然 Fable 5 仍然明显领先，但从 41.8 的 Preview 到 71.1 的正式版，提升已经非常明显。

十、DSBench-Hard：Opus-4.8 仍然领先

DSBench-Hard：

• DeepSeek-V4-Pro-0813：67.2

• DeepSeek-V4-Flash-0731：59.6

• V4-Pro-Preview：31.1

• V4-Flash-Preview：25.8

• GLM-5.2：54.5

• Kimi-K3：63.0

• Opus-4.8：71.7

• Fable 5：68.3

这一项 V4 Pro 0813 超过 Kimi-K3 和 GLM-5.2，也接近 Fable 5，但 Opus-4.8 依然保持明显优势。

这也是为什么不能简单把这组数据解读成“DeepSeek 已经全面超过所有模型”。

十一、为什么说 V4 Pro 0813 已经全面超过 GLM-5.2？

把双方已公布的同项目成绩直接放在一起看：

Cybergym 中 GLM-5.2 没有给出成绩，因此不参与比较。

从已有数据看，V4 Pro 0813 在双方都公布成绩的项目中全部领先。

所以“全面超过 GLM-5.2”在这张表的范围内，是有数据依据的。

十二、那“全球第三”这个说法成立吗？

这里要区分两个概念。

第一，单项 Benchmark 排名。

V4 Pro 0813 并不是所有项目都能排第三，有些项目甚至拿到第一，有些项目则会落后于 Kimi-K3、Opus-4.8 或 Fable 5。

第二，整体竞争力。

如果综合看这 11 项 Agent 相关任务，V4 Pro 0813 已经非常稳定地出现在头部区间。

它的特点不是“所有项目第一”，而是：

• 很少出现明显短板；

• 相比 Preview 版本大幅提升；

• 全面超过 GLM-5.2；

• 多项成绩超过 Opus-4.8；

• 部分项目超过 Kimi-K3；

• 个别项目甚至超过 Fable 5。

因此，“全球第三？”更适合作为一个讨论性的标题，而不是绝对排名结论。

如果一定要给它一个定位，我更愿意说：

DeepSeek-V4-Pro-0813 已经进入全球第一梯队，并且具备冲击前三的综合实力。

十三、这次升级真正值得关注的是什么？

真正重要的其实不是某一个分数。

而是 DeepSeek V4 从 Preview 到正式版之后，在多种 Agent 类任务中同时完成了一次明显跃升。

尤其是：

DeepSWE：12.8 → 62.7

DSBench-FullStack：41.8 → 71.1

DSBench-Hard：31.1 → 67.2

Cybergym：52.7 → 83.3

这些变化意味着 V4 Pro 0813 在代码工程、终端执行、Agent 工具调用、自动化任务等场景中的能力已经明显成熟。

对于真正把大模型用于开发工作的用户来说，这类提升往往比单纯的知识问答分数更重要。

因为实际开发中最需要的不是模型“知道多少”，而是它能不能：

• 理解复杂工程；

• 连续完成多步任务；

• 正确调用工具；

• 在终端环境执行操作；

• 修改代码后继续验证；

• 在长链路任务中保持稳定。

从这张表来看，V4 Pro 0813 在这些能力上的提升已经非常明显。

总结

如果只看本次公开的 Agent Benchmark 数据，可以得到几个比较明确的结论。

第一，DeepSeek-V4-Pro-0813 已经全面超过 GLM-5.2。

双方共同公布成绩的项目中，V4 Pro 0813 全部领先。

第二，V4 Pro 0813 已经进入全球第一梯队。

它在 Cybergym、AutomationBench、Terminal Bench 等项目中的成绩已经可以与 Kimi-K3、Opus-4.8、Fable 5 正面对比。

第三，它还没有做到全面第一。

Opus-4.8、Kimi-K3、Fable 5 在不同项目中依然各有优势。

第四，这次最重要的变化是整体能力提升，而不是单项刷榜。

从 Preview 到 0813 正式版，DeepSWE、Cybergym、DSBench 等多项任务同时大幅上涨，这说明 DeepSeek 在 Agent 和 Coding 能力上的进步已经开始从“单点提升”变成“整体提升”。

所以回到标题：

全面超过 GLM-5.2，DeepSeek-V4-Pro-0813 全球第三？

“全面超过 GLM-5.2”，从这张表来看基本可以确认。

至于“全球第三”，目前更适合作为一种综合实力判断，而不是严格榜单名次。

但有一点已经很明确：

DeepSeek-V4-Pro-0813 已经不是在追赶第一梯队，而是正式进入第一梯队参与竞争了。