8 月 12 日深夜，DeepSeek 悄然上线 V4 Pro 正式版，版本号为 DeepSeek-V4-Pro-0813。这次发布没有公众号推送，也没有技术博客，最早被外界注意到的信号，是官网 API 定价页上的版本号从预览版切换为正式版。不到 24 小时后，官网发布横幅和开放平台公告相继消失。DeepSeek 没有就此作出公开解释。
但就在 V4 Pro 发布信息消失之后，DeepSeek 此前准备的另一项产品仍按计划推进：DeepSeek Harness 进入 Developer Preview 并正式开源。一个发布动作突然收缩，一个 Agent 基础设施项目照常开放，这构成了过去 24 小时里最值得关注的反差。
这 24 小时内发生了什么
时间线并不复杂。8 月 12 日深夜，DeepSeek-V4-Pro-0813 正式上线；8 月 13 日白天，相关消息开始被中文科技媒体集中报道，官网和开放平台也出现对应的发布信息，第一批用户开始测试；到了 8 月 13 日晚些时候，官网发布横幅和开放平台公告相继消失。
需要特别指出的是，目前能够确认的是发布信息被撤下，而不是模型从产品体系中消失。API 相关页面仍可看到 V4 Pro，模型名称也仍然存在。因此，与其直接称之为「模型下架」，不如更准确地说，DeepSeek 暂时收回了 V4 Pro 正式发布的公开信号。
至于为什么撤回，目前官方没有解释。外界提出包含上错版本的各种猜测，但在官方进一步说明之前，任何具体原因都只能停留在推测层面。接下来真正值得观察的，是 DeepSeek 是否会重新发布、调整版本，或者对这次发布作出说明。
争议从哪里开始
V4 Pro 引发的争议，并不是模型「不能用」，而是官方展示的能力与部分用户实际体验之间出现了明显差距。
在正式版发布时，DeepSeek 公布了一组智能体基准测试，并将 V4 Pro 与 Claude Fable 5 等前沿模型进行比较。从官方数据来看，V4 Pro 在多项 Agent 任务上的表现已经接近甚至超过竞争模型。但随着第一批用户开始实际使用，反馈并没有完全复现这种领先。
集中出现的反馈是，V4 Pro 相较 Flash 版本的实际提升没有官方测试呈现得那么明显，尤其是在编程、工具调用以及长任务场景中，实际体验与基准测试之间存在一定距离。
这并不意味着官方测试必然存在问题。更值得讨论的是，官方测试与真实使用之间究竟隔着什么变量。对于 Agent 而言，这个变量可能并不只有模型本身。
V4 Pro 的高分测的是什么
先看 V4 Pro 本身。按照 DeepSeek 公布的信息，V4 Pro 采用混合专家架构，总参数量约 1.6 万亿，每个 token 激活约 490 亿参数，上下文窗口达到 100 万 token，最大输出长度达到 38.4 万 token。价格方面，V4 Pro 继续保持 DeepSeek 较低的 API 定价路线，与 Claude Fable 5 相比存在明显的价格差距。
但 V4 Pro 真正值得关注的并不只是参数规模和价格，而是 DeepSeek 试图在模型能力、推理成本和长上下文之间取得新的平衡。DeepSeek 此前强调了新一代注意力机制以及 KV Cache 等方面的效率优化，目标是降低大规模模型的实际推理成本。
问题出在 Agent 测试上。一个智能体最终能够完成多少工作，并不只取决于模型会不会「思考」，还取决于它如何调用工具、管理上下文、处理错误、执行任务循环，以及如何与文件系统和运行环境交互。
因此，对于 Agent 而言，更准确的关系并不是「模型等于 Agent」，而是模型能力加上执行框架，才构成用户最终看到的 Agent 能力。
这也使 Harness 成为理解这次争议的重要变量。
Harness 补上了哪一环
就在 V4 Pro 发布信息撤回的同时，DeepSeek Harness 如期开源。
从官方仓库来看，Harness 目前处于 Developer Preview 阶段，采用 MIT 协议，核心设计原则是「Everything is a Plugin」。模型、工具、技能、会话、沙盒、文件系统、任务循环、编排以及 UI 等，都可以通过插件方式进行组合和替换。项目基于 Cordis 元框架，开发者可以通过配置调整 Agent 能力，而不必修改底层源码。
简单来说，模型负责推理，Harness 负责把推理变成行动。
当模型需要读取文件、调用工具、修改代码、执行命令或者持续处理一个复杂任务时，中间需要有一套系统负责管理整个过程。Harness 解决的正是这一层问题。
这也是它与普通模型 SDK 最大的区别。SDK 主要解决「如何调用模型」，Harness 则进一步解决「如何让模型持续完成任务」。
为什么 Harness 的开源值得关注
如果 V4 Pro 部分官方 Agent 测试是在 DeepSeek 自己的执行环境中完成，那么外部用户直接调用模型，再使用自己的工具链，得到不同结果并不令人意外。
这并不是对官方测试结果的否定，而是说明 Agent 评测正在面临一个新的问题：我们究竟是在比较模型，还是在比较一整套 Agent 系统？
过去的模型评测更容易把模型本身作为核心变量。但随着 AI 从回答问题走向执行任务，工具调用、上下文管理、沙盒、任务循环等因素越来越重要。同一个模型，放在不同的执行框架中，最终表现可能存在明显差异。
因此，Harness 开源的意义并不只是「又开源了一个项目」。它至少提供了一种可能：让外部开发者使用更接近 DeepSeek 官方测试环境的执行框架，对此前公布的 Agent 能力进行重新验证。
当然，这里仍然需要保持边界。Harness 开源本身并不能证明此前的官方测试结果，也不能自动解释用户实测与官方数据之间的差距。它真正提供的是一个更公开的验证入口。最终答案，仍然要由第三方测试给出。
一个信号收缩 一个入口打开
把这两个动作放在一起看，过去 24 小时的脉络就更加清晰。
一边是 V4 Pro 的发布信息突然消失，另一边是 Harness 按照原计划进入 Developer Preview。前者留下了一个尚未回答的问题：DeepSeek 为什么调整了 V4 Pro 的发布口径？后者则把另一个问题交给了开发者：如果官方数据与实际体验之间存在差距，那么能不能在更接近官方条件的环境下重新测试？
从这个角度看，Harness 开源的价值正在于「验证」。
对于 DeepSeek 而言，开放 Harness 意味着将部分原本掌握在内部的 Agent 执行能力交给开发者。如果第三方在相同框架下能够得到接近官方的结果，那么 V4 Pro 此前的数据将获得更多外部支持；如果差距依然明显，外界则会进一步追问，问题究竟来自模型能力、执行框架还是评测方法。
这比单纯发布一组新的 Benchmark 更有意义。因为 Benchmark 告诉你一个结果，而开放工具则让更多人有机会自己验证这个结果。
接下来关注三个问题
第一，DeepSeek 是否会解释 V4 Pro 发布信息撤回的原因。目前模型仍处于可见、可调用的产品体系中，但正式发布的公开信号已经发生变化。后续究竟是重新发布、调整版本，还是仅仅修改公告，仍有待观察。
第二，第三方机构是否会使用 DeepSeek Harness 重新测试 V4 Pro。这将直接关系到此次争议能否得到进一步厘清。如果在相同 Harness 下能够接近官方结果，那么此前的体验差异可能与用户工具链有关；如果依然存在明显差距，那么问题就需要回到模型本身以及评测方法上。
第三，Harness 能否形成真正的开发者生态。DeepSeek 过去主要通过模型能力和推理成本建立竞争优势，而 Harness 代表着它进一步向 Agent 基础设施延伸。如果这个项目最终只是服务于 DeepSeek 自身模型，它的影响仍然有限；如果插件化设计能够吸引开发者，把模型、工具、沙盒和工作流组合起来，那么 DeepSeek 争夺的就不只是模型市场，还可能是 Agent 的基础设施层。
结语
过去 24 小时，DeepSeek 做出了两个方向看似相反的动作：V4 Pro 的发布信息悄然消失，Harness 却按计划向开发者开放。
前者意味着 V4 Pro 的正式发布仍存在需要观察的变量，后者则表明 DeepSeek 并没有因此放慢 Agent 基础设施的推进速度。
眼下，与其急于判断 V4 Pro 究竟「行不行」，不如等待更多可复现的结果。模型性能可以争论，Benchmark 可以争论，但当 Harness 被交到开发者手里之后，验证这件事本身开始变得更加开放。
V4 Pro 的发布信号暂时收了回去，验证它的工具却向外打开了。
接下来，答案不只来自 DeepSeek，也来自那些真正把这套系统跑起来的人。
本文信息来自 DeepSeek 官网及官方 GitHub 仓库、公开报道和用户公开反馈。涉及模型性能、Benchmark 和用户体验的内容，应区分公司自测与第三方测试；截至发稿，部分数据尚未经独立验证。本文不构成投资或采购建议。