DeepSeek-V4-Flash正式版Agent实测：执行任务能力到底提升多少？

DeepSeek-V4-Flash正式版发布正式版重点提升了Agent任务处理的能力。直接通过两个任务测试它Agent 执行复杂任务的能力。本次设计两个实际任务一个偏基础文件处理与数据计算一个偏复杂网络信息获取与分析分别测试思考模式非思考模式重点观察任务是否完成执行过程是否稳定遇到问题是否会解决最终交付质量如何测试一Excel数据生成与处理任务任务内容帮我生成50个学生成绩测试数据包含学生姓名、语文、数学、英语、物理、历史成绩并保存到Excel文件。然后读取Excel文件计算每个学生平均成绩和总成绩添加到原数据中最后保存新的Excel文件。思考模式表现首先规划任务规划的十分详细后续执行也是严格按照规划过程执所有步骤都准确无误的地执行最终结果有效。在计算总成绩和平均成绩时消耗token22530用时2分12秒。思考占用大量时间和token消耗在思考的前1/10就输出了要计算的结果。剩下的都在验证数据计算是否正确它通过多种方式验证计算是否正确。每个学习成绩逐项相加计算总分数和平均分数验证是否与初始生成的相同每个学科相加后计算所有学科的总成绩验证是否与每个学生的总成绩之和相同。基于两种方式计算的总成绩又验证总平均成绩是否相同。再次使用计算的每个学生的总成绩/5对比平均成绩是否相同。再次以每个同学的成绩逐项相加计算总成绩和平均成绩并验证是否与初始数据是否相同。头尾两次完整计算数据输出中间5轮数据验证。每次验证的过程和结果都是正确的感觉有点过度思考了。验证的目的是判断输出的计算结果是否正确这本身没有问题经历5轮数据验证确实有助于反复验证数据是否准确。但验证本身与输出数据一样也是可能出现输出错误问题的5轮验证很可能反而提高了输出错误的风险。最后任务顺利完成非思考模式表现首先规划任务但过程中出现一次生成的数据不符合要求不是标准的二维数组。不过模型没有直接失败而是重写构造正确的数据完成任务最终结果最后完成任务执行速度明显比思考模式更快。第一个任务总结这个任务包含多个连续操作步骤任务1生成50名学生数据2写入成绩数据到Excel文件3读取Excel文件4计算总成绩、平均成绩5将数据汇总6保存新文件属于典型办公自动化 Agent 场景。思考模式 和 非思考模式 执行结果对比模式执行结果耗时Token消耗缓存命中思考模式成功完成4分32秒7102217024非思考模式成功完成46秒4305526624思考模式输出的规划过程更详细、输出的结果更正确。但思考过程耗时较长token消耗较多测试二AI热点资讯获取与分析任务任务内容查询网络信息获取最近几天热点AI资讯汇总摘要并附原文链接。筛选1-2篇偏AI技术应用方面最有价值的资讯分析应用发展前景。相比第一个任务这个任务难度更高。因为它不是一个仅靠内部就可以闭环的任务任务中可能遇到各种未知的问题。思考模式执行过程任务规划规划得很详细逻辑清晰。实际执行时遇到机器之心需要订阅问题。只有订阅后才可以获取网络链接地址和具体内容它识别到问题后拼接了一个rss的链接地址https://www.jiqizhixin.com/rss访问失败后它又开始构造新的地址https://www.jiqizhixin.com/rss.xml它好像一直没有Get未订阅不能访问数据。解决办法要么订阅后获取数据要么放弃从这个完整获取数据。而是一直自己的尝试用野路子。尝试结果寻找隐藏链接失败构造RSS方式获取失败寻找订阅源失败继续尝试获取失败最终因为持续循环我主动终止任务。非思考模式执行过程规划执行流程流程同样很清晰与思考模式一样它也规划了从机器之心获取数据虽然它也经过了多次尝试获取网页数据但它最终判断出要订阅才能获取链接地址在未获取到链接地址的情况下退出了该子任务接着他在36氪AI频道获取了数据最后选取了两篇文章访问具体内容生成总结与分析。但在最终输出结果时他丢失了获取的咨询列表仅保留两篇重点分析的文章。还好他自我检查出来了。然后他重写规划最后顺利完了任务在整个任务执行过程中它的整体逻辑比较清晰虽然也有错误但它能够即使发现错误然后纠正错误。在之前的预览版中它任务完成就结束了不会验证结果是否符合要求。第二个任务暴露的问题这个结果其实很有代表性。DeepSeek-V4-Flash正式版明显增强了1. 问题解决意识以前模型工具失败 → 返回失败原因现在工具失败 → 分析原因 → 尝试解决这是Agent能力的重要提升。2. 任务交付意识相比预览版正式版明显更关注最终结果。以前执行完成即可。现在会尝试丰富结果检查内容优化输出更像一个真正执行任务的助手。但是3. 缺少停止判断这是目前最大的问题。特别是思考模式存在过度思考的问题。过度执着与不能完成的任务。Agent不仅需要解决问题能力还需要判断什么时候应该停止。否则越强的思考能力可能导致更长执行时间更多Token消耗无意义循环DeepSeek-V4-Flash正式版 vs 预览版从这次测试来看最大的变化不是模型知识提升而是 Agent行为变化。能力预览版正式版任务执行能调用工具更关注完成任务异常处理容易失败会尝试解决结果检查较少明显增强最终交付完成即可更加关注质量失败处理直接结束寻找替代方案通过两个任务测试DeepSeek-V4-Flash正式版相比预览版Agent能力有明显提升。主要提升集中在三个方面提升方向表现结果检查执行完成后主动验证问题解决失败后尝试寻找方案任务交付更加关注最终结果但目前仍存在问题影响思考模式耗时长执行效率下降Token消耗高成本增加缺少停止策略容易陷入循环这次测试虽然只有两个任务并且都是单次执行存在一定随机性。但从实际Agent使用角度来看一次任务执行能力本身就是重要指标。从测试结果来看DeepSeek-V4-Flash正式版相比预览版最大的变化不是单纯能力提升而是明显具备了更强的 Agent 思维方式真实任务环境和Demo展示有很大区别。Demo通常都是固定流程已知工具理想环境没有异常情况而实际工作中网站可能无法访问数据可能不存在工具可能失败文件格式可能异常用户需求可能存在歧义永远会出现模型训练中没有覆盖的情况。这也是当前Agent最大的挑战不是能不能完成任务而是遇到未知问题时如何快速找到正确方向。未来Agent能力评价不能只看“这个任务能不能完成”还需要看“能不能快速完成”“能不能稳定完成”“消耗多少成本完成”因为在真实生产环境中一次成功但耗时10分钟、消耗几十万Token的Agent并不一定比一个几十秒完成任务的Agent更优秀。真正优秀的Agent应该同时具备解决问题的能力 判断问题的能力 控制成本的能力。DeepSeek-V4-Flash正式版已经迈出了重要一步在Agent任务中它开始像一个真正执行任务的助手但距离一个可靠、高效还有不少优化空间。