Az új DeepSeek V4 Pro 0813 verzió megjelenése jelentős előrelépést hozott az ügynöki és programozási tesztek terén. A frissítés után látványosan javult a modellek teljesítménye az Agentic és benchmark tesztekben, kiemelten a Terminal Bench 2.1 és a Cyber Gym eredményei alapján.
A bemutatóban egy összetett, hibás full-stack alkalmazás javításával demonstrálják a modell képességeit. A folyamat során a háttérrendszer, a front-end és egy munkafolyamatot irányító worker összehangolt működését kell helyreállítani. Ezeken a valós problémákon keresztül mutatják be, mennyivel lett gyorsabb és takarékosabb az ügynökök által fogyasztott token mennyiség is.
A tesztelés során kreatív feladatokat is megoldanak: például egy komplett, önálló HTML/JavaScript animációt készítenek, amelyben egy bárány sült forog, valódi hatásokat imitálva. Ebben nincs lehetőség külső könyvtárak használatára, minden részletet – a tűztől kezdve a mechanikus mozgásig – a modellnek magának kell leprogramoznia.
Felvetődik az a kérdés is, hogy mennyire tud ez a nyílt forráskódú modell versenyezni drága, zárt konkurensekkel, és mik a következményei annak, hogy mostantól akár sokkal olcsóbb alternatíva is elérhető lehet a fejlesztői közösség számára. A videó betekintést ad abba is, hogyan változott meg a nyílt és zárt modellek közötti teljesítménykülönbség, különös tekintettel a kreatív, összetett kódgenerálási feladatokra.
