DeepSeek V4 Flash 0731：把 agent 能力又往上顶了一截
7 月 31 日，DeepSeek 在官方更新日志里宣布 DeepSeek-V4-Flash API 进入公开测试。模型名不变，还是 deepseek-v4-flash，调用方式也没变。
这次的 0731 版本和之前的 Preview 架构、规模完全相同，只做了重新后训练。但能力提升幅度不小。官方给出的一组 agent 基准里，Terminal Bench 2.1 从 56.9 涨到 82.7，Toolathlon verified 从 51.8 涨到 70.3。其他几项：Cybergym 76.7、NL2Repo 54.2、DeepSWE 54.4、Agent Last Exam 25.2、DSBench-FullStack 68.7。
拿这些数字和 GPT-5.6 Terra 比：Terminal Bench 82.7 对 78.4，Toolathlon 70.3 对 53.1，DeepSWE 54.4 对 69.6。互有胜负，但一个 284B 总参数（13B 活跃）的 MoE 模型能和旗舰档比划，本身就说明问题。
HN 上这个帖子拿了 670 分，评论区普遍觉得被低估了。有人指出 V4-Flash-0731 跑在单张 B300 上没问题，本地推理的想象空间很大；也有人拿它和 GLM-5.2、Claude Opus 4.8 比，认为已经摸到那个量级。
价格没动：输入 $0.14/百万 token（缓存未命中）、输出 $0.28/百万 token（约合 ¥2/百万），缓存命中输入只要 $0.0028。上下文 1M，最大输出 384K。原生支持 Responses API，官方专门做了 Codex 适配。
官方说 V4-Pro 的正式版也会很快跟进。这次升级只影响 Flash API，App 和网页端的 V4-Pro 不受影响。
MiniMax H3：视频模型开始讲全模态了
同一天，MiniMax 发布了 H3，官方定位是「通用全模态生成模型」。它能同时理解文本、图像、视频、音频四种输入，生成最高 2K 分辨率、15 秒长、带原生立体声的视频。
和 Hailuo 01/02 那种按任务拆模型的路线不同，H3 把文生图、文生视频、文生音频以及各类参考和编辑任务统一进了一个模型。官方博客给了一个例子：输入「参考视频 1 的希区柯克式运镜、让图 2 里的人物唱歌、人声匹配音频 3」，H3 直接理解多模态上下文并生成对应视频。准确的文字和品牌呈现、V2V 动作迁移，是它强调的强项。
定价上，官方说法是 2K 分辨率下每秒价格不到主流模型的 1/3，768p 下不到主流 720p 的一半。技术层面，H3 重做了 tokenizer（H3-VAE），有效序列长度提升 4 倍；2K 输出靠的是「In-Context Regeneration」——让模型基于原有多模态上下文把自己的低分辨率输出重新生成一遍，而不是外挂超分模块。
更值得注意的一条：MiniMax 计划在数天内开源 H3 权重，前提是符合法律法规。视频生成领域一直以闭源为主，如果权重真放出来，这个生态会热闹不少。
简评
一天两个发布，方向不一样。DeepSeek 在把 agent 能力做深，价格压得死死的；MiniMax 在把视频生成往全模态和开源方向推。共同点是中国厂商在能力追近的同时，继续在价格和开放性上施加压力。