DeepSeek V4 Pro 对比 Grok 4.6：首次真实世界测试将两款模型双双推入顶级行列

引言

两款重量级 AI 模型几乎同时发布，让 DeepSeek V4 Pro 和 Grok 4.6 直接成为焦点。

DeepSeek V4 Pro 在智能体与软件工程性能上实现大幅跃升，而 Grok 4.6 则在编码、知识工作和综合能力上强势发力。源文章将这两次发布描述为对 OpenAI 和 Anthropic 当前前沿模型的直接挑战。

这次对比尤其有趣的地方在于，两款模型不仅是在基准测试表上接受衡量。早期的真实世界测试还要求它们用相同的提示词去搭建网站、制作游戏、还原视觉设计以及生成 3D 体验。

结果与其说是一场赢家通吃的简单竞赛，不如说是一场势均力敌的对决——每款模型都有自己脱颖而出的领域。

DeepSeek V4 Pro 登场，Grok 4.6 同时入局

源文章重点列出了 DeepSeek V4 Pro 的多项基准测试结果。

在网络安全智能体评估 CyberGym 中，DeepSeek V4 Pro 据报得分 83.3，以微弱优势超过 Fable 5 的 83.1 和 Opus 4.8 的 78.3。

在 AutomationBench 上，它达到 31.8，领先于 Fable 5 的 29.1 和 Opus 4.8 的 27.2。

结果最接近的是 Terminal-Bench 2.1。DeepSeek V4 Pro 得分 87.9，而 Opus 4.8 为 85.0，Fable 5 为 88.0。

源文章还报告了在启用工具的人类最后考试（Humanity's Last Exam）设置中取得 60.0 的成绩，而 Opus 4.8 为 57.9，Fable 5 为 63.0。

DeepSWE 也是报告中另一项重大改进。DeepSeek V4 Pro 达到 62.7，相比预览版的 12.8 大幅提升，高于 Opus 4.8 报告的 58.0，但仍低于 Fable 5 的 70.0。

Grok 4.6 则在多个领域与 GPT-5.6 和 Fable 5 进行了对比测试。

源文章报告其综合智能指数得分为 61，落后 Fable 5 的 62 一分。

在 CursorBench 上，Grok 4.6 据报得分 69.9%，领先于 GPT-5.6 的 67.2%，接近 Fable 5 的 70.5%。

在 FrontierCode 上，它达到 61.3%，同样略微领先于 GPT-5.6 的 60.6%，落后于 Fable 5 的 63.6%。

源文章显示，知识工作方面的表现更为强劲。据报 Grok 4.6 在全部三项重点评估中均位列第一：GDPval-AA v2 上 1,753 Elo，AA-Briefcase 上 1,577 Elo，以及专业法律基准 Harvey LAB 上 15.8%。

源文章从这些数据得出的主要结论直截了当：两款模型都已进入与领先前沿系统同台竞技的对话中。

价格差异也是故事的一部分

性能只是这次对比的一半。

源文章还强调了推理成本。它报告了发布时每百万输出 token 的价格：

模型	每百万 token 输出价格（据报）
DeepSeek V4 Pro	$0.87
Grok 4.6	$6
GPT-5.6 Sol	$30
Claude Opus 5	$25
Fable 5	$50

在其当前的美元定价视图中，缓存未命中时每百万输入 token 为 0.435 美元，缓存命中时为 0.003625 美元。

DeepSeek 的文档还

指出其V4模型支持100万token上下文窗口、工具调用，以及OpenAI格式和Anthropic格式的API访问。

其他模型的具体价格会随时间变化，因此原文中的跨模型价格对比应视作其发布日期的快照，而非长期有效的价格表。

首次实测：DeepSeek V4 Pro构建3D地球

文章中描述的第一个实际测试给DeepSeek V4 Pro提出了一个相当高的要求。

仅凭一条提示词，该模型便在浏览器中生成了一个完整的交互式3D地球体验。

据报道，结果支持拖拽、旋转和缩放等基本交互，还包含了全球数据流、动态路线和遍布全球的地理标记。

视觉细节更进一步。大气散射、云层、昼夜光照以及周围界面都包含在生成的体验中。

这次测试的重点不仅仅在于模型生成了一个网页，更在于它展示了AI编程模型在被要求于单一任务中协调视觉设计、3D渲染、交互和应用结构时能走多远。

DeepSeek V4 Pro与Grok 4.6在三个应用任务中的对决

随后，原文使用相同或高度接近的提示词对两个模型进行了比较。

AI创作者向阳乔木先用DeepSeek V4 Pro运行了三个小任务，然后将其中两个相同的提示词交给Grok 4.6。

使用三项技能构建并部署网站

第一个任务要求模型使用三项技能来开发和部署一个网站。

据报道，DeepSeek V4 Pro成功完成了整个工作流程。原文称页面设计和整体完整性表现稳定。

这类测试对智能体编程尤为重要，因为模型需要协调多个工具或能力，而非仅仅生成一段代码。

在Bento卡片中复现60种设计风格

第二个任务要求模型复现60种不同的设计风格，并以一组Bento卡片的形式呈现。

据报道，DeepSeek V4 Pro在不同设计中区分了字体排版、色彩搭配和布局。

当相同的提示词交给Grok 4.6时，后者占据了优势。原文称Grok的部分页面在布局、色彩和视觉层级上更为成熟，最终呈现更加精致。

构建3D打砖块游戏

第三个任务是从零开始创建一个3D打砖块游戏。

DeepSeek V4 Pro生成了一个可玩的游戏，包含3D环境、背景音乐、动态音效和交互反馈。

Grok 4.6在这一轮表现相当。原文将两者的结果描述为在视觉质量、场景完整性和可玩性上几乎持平。

Flappy Bird测试揭示了另一种取舍

一个更细致的测试来自开发者Jun Song，他给了DeepSeek V4 Pro和Grok 4.6完全相同的提示词，要求从零构建一个Flappy Bird风格的游戏。

两个模型采取了截然不同的方法。

DeepSeek V4 Pro使用了超过20,000个token，但据报道API成本仅为0美元——因为该模型的API定价（在DeepSeek的限时优惠期间）让输入和输出token都完全免费。

019**。

Grok 4.6 使用了约 5,000 个 token，而报告显示成本为 0.03 美元。

因此，在这次特定运行中，Grok 的 token 效率更高，但根据来源文章所述，DeepSeek 产出了更强的最终结果。

据报道，DeepSeek 版本包含分层的山脉背景、云朵、渐变和立体感管道，以及角色通过管道时漂浮的 “+1” 动画。

来源文章的结论很有价值：更低的 token 消耗并不自动意味着更好的应用结果，而更高的 token 消耗也不一定意味着更高的成本。

另一项前端测试也同样青睐 DeepSeek

开发者 Hamza 运行了另一项前端生成测试，来源文章报道 DeepSeek V4 Pro 再次获胜。

生成的页面被描述为在整体完整性和视觉质量方面优于 Grok 4.6 的结果。

这强化了之前在任务中观察到的模式：这两个模型非常接近，但它们的优势会根据具体应用和提示词而有所不同。

V4 Pro 仍有弱点

DeepSeek V4 Pro 并非在每项视觉生成测试中都获胜。

在一次涉及鹈鹕的对比中，V4 Pro 版本据称在整体视觉完成度上强于 Flash 版本，并生成了更吸引人的大象插图，但鹈鹕的移动方向是错误的。

这是一个小例子，但它突显了生成式编码和视觉系统的一个常见局限：结果可能看起来很精致，却仍然包含基本的语义或运动错误。

Three.js 樱花树：差距更加明显

来源文章随后增加了难度，要求 DeepSeek V4 Pro、GPT-5.6 Sol 和 Claude Opus 5 使用 Three.js 生成同一棵樱花树。

这一次，差异更加明显。

文章报道称，DeepSeek V4 Pro 在树干和树枝细节、树叶、光照、景深以及整体氛围等方面落后于其他两个模型。

这一结果很重要，因为它防止了对比变成一种简单的胜利叙事。DeepSeek V4 Pro 在端到端编码任务中可能非常强大，但仍然存在一些专门的视觉生成场景，其他前沿模型能产生更精细的结果。

总体而言：DeepSeek V4 Pro 与 Grok 4.6 水平接近

经过多轮测试，来源文章的总体判断是，DeepSeek V4 Pro 和 Grok 4.6 已经达到了相似的竞争水平。

两个模型都无法赢得每项任务。

DeepSeek V4 Pro 在某些端到端编码和应用构建任务中看起来特别强大，而 Grok 4.6 则可能更节省 token，并在一些视觉设计和知识工作对比中表现出优势。

这使得这种对比比单一的排行榜分数更有用。对于开发者来说，更好的模型可能取决于优先级是编码质量、代理可靠性、视觉精致度、token 效率还是 API 成本。

两款 AI 模型正在缩小与前沿的差距

来源文章将 DeepSeek V4 Pro 和 Grok 4.6 的同时发布描述为 AI 市场的一个不寻常时刻。

Rick De Oliveira 的反应，文中引用道，

原文章的核心观点是，这两款模型都既强大又价格实惠。

正是这一组合让它们的发布备受关注。

DeepSeek 的官方文档确认，V4 Pro 专为工具调用、长上下文工作负载以及思考与非思考模式而设计。

xAI 的官方 Grok 相关资料同样将其最新一代 Grok 定位在编码、智能体任务和知识工作方面。例如，官方 Grok 4.5 公告将该模型描述为专为编码、智能体任务和知识工作而构建，并报告了实际工程评测结果。

即使个别基准测试数据有所变化，更广泛的趋势依然清晰：前沿级 AI 正变得越来越易于开发者获取，性价比正在成为模型竞争中日益重要的部分。

接下来会发生什么？

源文章最后指出了下一轮竞争的方向。

它提到，xAI 已经预告了 Grok 4.7，而 OpenAI 和 Anthropic 预计将继续通过各自的模型更新来回应。

这意味着今天的基准测试领先者可能不会长久保持领先地位。

对于开发者而言，更持久的教训是：要根据真正影响自己工作流程的任务来评估模型。一个在基准测试上得分很高，但在你的代码库、部署流程、UI 要求或工具链上表现不佳的模型，可能仍然不是正确的选择。

常见问题

DeepSeek V4 Pro 是什么？

DeepSeek V4 Pro 是 DeepSeek 的 V4 旗舰模型，面向推理、编码、工具使用和长上下文工作负载。DeepSeek 官方文档列出了 100 万 token 的上下文窗口，并支持工具调用，同时提供 OpenAI 格式和 Anthropic 格式的 API 访问。

DeepSeek V4 Pro 与 Grok 4.6 相比如何？

源文章报道，这两款模型在多项智能体和编码测试中表现接近，各有胜负。DeepSeek V4 Pro 在多个端到端应用构建测试中表现尤为出色，而 Grok 4.6 在编码、知识工作以及一些视觉设计任务中展现出强劲结果。

DeepSeek V4 Pro 比 Grok 便宜吗？

根据源文章中 2026 年 8 月 14 日的对比，DeepSeek V4 Pro 报告的输出价格为每百万 token 0.87 美元，而 Grok 4.6 为 6 美元。DeepSeek 官方定价页面目前确认 V4 Pro 每百万输出 token 为 0.87 美元，不过 API 价格可能会变动。

DeepSeek V4 Pro 能构建网站和游戏吗？

源文章报道了成功的测试案例，其中 DeepSeek V4 Pro 生成了 3D 地球体验、网站、Bento 风格设计合集、3D 打砖块游戏和 Flappy Bird 风格游戏。这些是已报道的实际测试结果，而非保证每次提示都能产生同等质量的承诺。

DeepSeek V4 Pro 适合 AI 编码智能体吗？

它专为工具调用和智能体工作负载而设计，源文章报道其在多项智能体和软件工程评测中表现强劲。DeepSeek 官方文档也列出了 V4 Pro 对工具调用的支持。

DeepSeek V4 Pro 总是能击败其他前沿模型吗？

不是。源文章中包含了一些测试，其中 GPT-5.6 Sol 和 Claude Opus 5 在这些测试中表现

更好的结果，尤其是在 Three.js 樱桃树生成对比中。不同任务的结果差异很大。

除了基准分数，开发者还应该比较什么？

开发者还应该比较 API 成本、延迟、上下文长度、工具调用、编码可靠性、输出质量，以及模型与其现有智能体工作流的契合程度。对于生产系统而言，一致性和总成本可能比基准上的微小差异更重要。

相关工具

• DeepSeek API：访问 DeepSeek 模型的官方 API 端点。
• DeepSeek API 文档：关于模型、定价、工具调用和 API 集成的官方文档。
• xAI API：使用 Grok 模型进行构建的官方开发者资源。
• Grok：xAI 面向用户的 Grok 服务，用于与其模型交互。
• Three.js：与文章中描述的 Three.js 生成测试相关的 JavaScript 3D 库。

相关链接

• DeepSeek 模型与定价：官方 DeepSeek API 模型规格和当前令牌定价。
• DeepSeek V4 文档：官方 DeepSeek API 文档和集成指南。
• xAI Grok 4.5 公告：涵盖当前 Grok 代编码和智能体能力的 xAI 官方公告。
• xAI API 文档：通过 xAI 开发者平台使用 Grok 的官方文档。
• Three.js：官方 Three.js 项目网站和文档。
• DeepSeek API GitHub：官方 DeepSeek GitHub 组织。

总结

DeepSeek V4 Pro 和 Grok 4.6 正同时从两个方向推动前沿 AI：更强大的现实世界智能体和编码性能，加上更具攻击性的性价比。

早期测试并未产生一个全能赢家。DeepSeek V4 Pro 在多项端到端应用构建任务中表现强劲，而 Grok 4.6 则展示了具有竞争力的编码、知识工作和视觉设计能力。

更大的转变在于，开发者现在有了更多能力更强的模型可供选择，而无需自动支付前沿级价格。