DeepSeek V4 Flash（0731 版本）在包含 445 次試驗的獨立公共測試環境中，於 Terminal-Bench 2.1 基準測試取得了 82.7% 的分數。該模型採用 284B/13B MoE 架構，並支援 100 萬 token 的上下文視窗。這項表現突顯了該模型在容器環境中執行複雜任務的強大能力。

事件背景

Terminal-Bench 是一套基準測試套件，旨在測量 AI 代理在容器環境中完成有價值且複雜任務的能力，例如除錯程式碼或解決安全漏洞。2.1 版本修正了先前的任務，並為代理基準測試引入了連續驗證機制，確保對模型能力的評估更加可靠。

社群觀察

社群用戶對該模型的免費可用性和表現表示熱情，部分人計劃升級硬體（如 DGX Sparks）以在本地運行。然而，對於基準測試的有效性也存在批判性討論，因為部分用戶發現延長超時時間可能推高了報告的分數。