DeepSeek V4 Pro 对比 GPT-5.6 Sol：35 倍价差下，先跑便宜模型的级联方案多 10 分还省 60%

一句话结论

904 次 DeepSeek rollout 跑完，赢家不是任何一个模型单独：DeepSeek V4 Pro 0813 先行、失败时升级 GPT-5.6 Sol 的级联方案，83.0% 通过率、每任务 $3.35。

别二选一。先跑 DeepSeek V4 Pro 0813，测试失败时升级到 GPT-5.6 Sol。这个级联解决 83.0% 的 DeepSWE 任务，每个 $3.35。Sol 单独解决 72.7%，每个 $8.37——高 10 个百分点的同时便宜 60%。

• Sol 赢早期尝试。pass@1 72.7% 对 62.8%，并在 pass@2 保持领先（81.0% 对 78.5%）。
• Pro 赢最后一次。pass@4 88.5% 对 85.8%。给四次机会，便宜模型找到棋盘上更多的任务。
• 价格差距 35 倍。每次 rollout $0.24 对 $8.37。每 $100 花费，Pro 解决 261 个任务，Sol 解决 9 个。
• Sol 更快更稳。每次 rollout 17 分钟 53 步对 Pro 的 35 分钟 146 步，4/4 全过的任务 61 个对 35 个。
• Sol 的失败更脏。20% 的失败会破坏已经通过的测试，Pro 只有 11%。给 Sol 的输出加回归门。

实验设置

这是 Together 在 DeepSWE 上做的 DeepSeek V4 Pro 0813 与 GPT-5.6 Sol 对比。DeepSWE 是跨任务类型、跨编程语言测试软件工程能力的基准。GPT-5.6 Sol 是榜上最好的单发工程师，而 DeepSeek V4 Pro 0813 的成本只有它的三十五分之一。有意思的问题不是哪个首发更准（Sol，显然），而是 35 倍价格差距到底买到了什么，以及低成本模型的上限能否弥补差距。

模型	pass@1	平均成本	每 $100 解决	输出 token	步数
gpt-5.6-sol (max)	72.7% ± 2.2%	$8.37	9	59k	53
deepseek-v4-pro-0813 (max)	62.8% ± 3.1%	$0.24	260	101k	146

在全部 113 个 DeepSWE 任务上各跑 4 次试验（均开最大努力档），基于公开逐试验记录共 904 次 rollout（每方 452 次）。Sol 是精准旗舰，Pro 是价值异类。以下所有数字都来自这一轮实测。

计分板：pass@1 与 pass@k

单发 Sol 明显领先：官方计分 pass@1 72.7% 对 Pro 的 62.8%。但差距随每次重试收窄然后反转：两次尝试时 Pro 已接近（78.5 对 81.0），四次时 Pro 的 88.5% pass@4 超过 Sol 的 85.8%。低成本模型有更宽的触达；它需要不止一次尝试，而它的尝试几乎免费。如果你的工作负载允许 best-of-k，Sol 的准确率论点基本消失。

成本对比

每次 rollout $0.24，DeepSeek V4 Pro 0813 比 Sol（$8.37）便宜 35 倍，按价值算是每 $100 解决 260 个任务对 9 个。低价买不到的是速度和简洁：Pro 中位数 146 步 35 分钟、输出 101k token，对 Sol 紧凑的 53 步、17 分钟、59k token。Sol 是快而简洁的专家；Pro 用更长的路走完相似的覆盖。如果有人在等结果，Sol 光凭延迟就值回溢价；如果等的是预算或队列，没有什么接近 Pro。

覆盖率与可靠性：精准对触达

把 pass@1 分解为覆盖率和可靠性，切分很干净。Sol 是精准角落：84.5% 可靠性和 61 个 4/4 全过任务，是碰到就拿下的模型标记。DeepSeek V4 Pro 0813 换到另一根轴：更宽的覆盖率（88.5% 对 85.8%）但可靠性低得多（71.0%）、稳任务更少（35 对 61）。这就是从侧面看的 pass@4 交叉：Pro 触达基准上比 Sol 更多的地方，但每次触达的转化率更低。

失败模式

失败画像差异鲜明。Sol 在 20% 的失败中破坏仓库现有测试套件——GPT 家族的回归签名。DeepSeek V4 Pro 0813 保守得多，只有 11%；它失败时通常是近失误且基线完好。所以更便宜的模型反而是更适合不经审查直接接受的：给 Sol 的 diff 套上完整回归门，Pro 不那么需要这个护栏。

按任务类型

Sol 的质量优势很宽：赢 8 个领域中的 6 个，以数据建模与序列化 92%（超 Pro 28 分）领衔，加上查询与配置（80）、并发（72）、构建运维（73）、程序分析（64）、协议一致性（59）。它没拿下的两个很窄：语言与运行时内部是 75-75 平局，DeepSeek V4 Pro 0813 在有状态响应式上险胜（66 对 64），这是它唯一的领域胜利。凡是要求精确命中序列化契约的任务，Sol 一骑绝尘。

按编程语言

Sol 横扫五分之四（Python 74、Go 79、TypeScript 66、JavaScript 75），Python 和 Go 的差距很大。例外是 Rust，DeepSeek V4 Pro 0813 以 65 对 60 险胜：这是 Sol 跑输同级模型的唯一语言，也是 Pro 唯一 outright 获胜的语言。如果你的技术栈是 Python 或 Go，这是 Sol 的舒适主场；如果是 Rust，Pro 略好且便宜得多。

两模型差异度

中等。逐任务相关度 0.54，是 DeepSeek-Pro 配对中最接近的。两者都解出 90 个任务；Pro 独得 10 个，Sol 独得 7 个，6 个战胜两者。并集覆盖 113 中的 107（94.7%）。对组合而言有一个不对称性很重要：DeepSeek V4 Pro 0813 没有横扫任何 Sol 完全错过的任务，而 Sol 在两个 Pro 从未解出的任务上四比零全胜。所以 Pro 在 Sol 之上没有增加多少新触达；它增加的是以最低成本清空共同任务的能力。

级联路由：组合玩法

这正是级联获胜的原因。先跑 DeepSeek V4 Pro 0813，只在测试套件拒绝答案时升级到 Sol：83.0% 解决率、每任务 $3.35。比 Sol 单独（72.7%）高 10 个百分点，价格不到 Sol 自身每任务价格（$8.37）的一半。

近乎免费的第一段清空大部分队列，所以 Sol 的溢价只花在硬核残余上，且到达 Sol 的任务额外获得第二次独立尝试。级联甚至击败了完美的单发预言机路由（80.8%），因为两次独立尝试胜过一次完美选择。准确率与谁先跑无关，但成本不是——Pro 先行便宜得多（$3.35 对 $8.44），所以永远让低成本模型打头。

完整数据表

指标	deepseek-v4-pro-0813 (max)	gpt-5.6-sol (max)
pass@1（官方计分）	62.8%	72.7%
pass@1（错误计为失败）	62.8%	72.3%
pass@2 / pass@4	78.5 / 88.5%	81.0 / 85.8%
覆盖率 / 可靠性	88.5 / 71.0%	85.8 / 84.5%
稳（4/4）/ 墙（0/4）	35 / 13	61 / 16
每次 rollout 成本 / 总成本	$109	$8.37 / $3,783
每 $100 解决任务数	261	9
中位分钟 / 步数	35 / 146	17 / 53
中位峰值上下文 / 输出 token	232k / 101k	177k / 59k
失败解剖（近失误/回归）	66% / 11%	54% / 20%
赢得领域数（共 8）	1（有状态）	6（1 平）
赢得语言数	1（Rust）	4
基础设施错误	0	2
逐任务相关度 / 并集	0.54 / 107 of 113（94.7%）
单发预言机路由	80.8%
级联 Pro→Sol（准确率/成本）	83.0% / $3.35（对比 Sol 单独 72.7% / $8.37）

部署建议

1. 首发正确性与延迟都要时选 Sol：最高 pass@1、最高可靠性、最快最简洁、八分之六领域——但要为它的 20% 回归率套上完整回归门。
2. 高吞吐、重试容忍的智能体负载选 Pro：接近旗舰的覆盖、更高的四发上限、更干净的失败画像，$0.24 一次。
3. 最锐利的用法是两个都上：Pro 当 Sol 的前置。低成本首段清掉大部分工作，把 Sol 变成只按需支付的成本，用不到 Sol 一半的价格买到超过旗舰的覆盖。

原文信息

• 作者：Together AI
• 发布时间：2026-08-18 原文地址：