DeepSeek V4 Flash 在 ARC-AGI 拿到什麼分數？每題 0.02 美元的推理成本怎麼算
ARC Prize 驗證：DeepSeek V4 Flash 0731 最高檔在 ARC-AGI-1 拿 89.0%、ARC-AGI-2 拿 61.4%，每題 0.02–0.04 美元。輕量模型的成本天花板被改寫。
事件發生在 2026 年 7 月 31 日，本文寫於 2026 年 8 月 9 日，中間隔了 9 天。這 9 天裡最該做的事只有一件：重算你產品線的模型成本結構。急著換 API 可以先放一邊。
DeepSeek V4 Flash 0731 在 ARC-AGI 測出什麼成績？
官方結果頁列出三個推理檔位的驗證分數。最高檔（Max）在 ARC-AGI-1 半私有（Semi-Private）題組拿 89.0%、每題 0.02 美元；在 ARC-AGI-2 半私有題組拿 61.4%、每題 0.04 美元。ARC-AGI-3 這一欄官方標示為未列成績。
三個檔位的完整成績都在官方結果頁上：
| 推理檔位 | ARC-AGI-1（半私有） | ARC-AGI-2（半私有） | 每題成本 | ARC-AGI-3 |
|---|---|---|---|---|
| Max（最高） | 89.0% | 61.4% | ARC-AGI-1 $0.02／ARC-AGI-2 $0.04 | 未列成績 |
| High（高） | 87.0% | 56.0% | 官方未公布 | 未列成績 |
| Low（低） | 84.0% | 46.0% | 官方未公布 | 未列成績 |
高檔與低檔的每題成本，官方這頁沒有公布，這裡就不推估。只有 Max 檔的成本數字是可以拿去做預算的。
ARC-AGI 是什麼測試？分數高代表什麼？
先講清楚這篇文章的資料邊界：官方結果頁只做一件事，列出驗證分數與每題成本。這頁沒有說明 ARC-AGI 的題型長什麼樣、為什麼這樣設計，本文也不轉述那些內容。想知道測試本身怎麼設計，去 ARC Prize 的官方說明頁自己讀一遍再下判斷。
從結果頁能直接讀到的只有三件事。第一，ARC-AGI 分成 ARC-AGI-1、ARC-AGI-2、ARC-AGI-3 三個基準，這次只有前兩個列出分數。第二，驗證成績標示的是半私有（Semi-Private）題組，另外附上公開題組（Public Eval）的逐題對錯；這兩種題組差在哪、ARC Prize 怎麼認定，這頁沒有寫。第三，ARC-AGI-2 對同一個模型明顯比 ARC-AGI-1 難——89.0% 對 61.4%，落差 27.6 個百分點。
那分數高代表什麼？就這頁提供的資訊而言，只代表這個模型在 ARC-AGI 這組題目上答對的比例。它沒有告訴你這個模型的客服對答、文件摘要、程式生成做得如何，那些能力這頁一個字都沒提。把 ARC-AGI 分數當成通用能力的證明，那層推論是讀者自己加上去的，官方沒有這樣宣稱。
三個推理檔位差多少？多花錢一定更準嗎？
差距非常不對稱：在 ARC-AGI-1 上，從 Low 到 Max 只多了 5.0 個百分點（84.0% → 89.0%）；在 ARC-AGI-2 上卻多了 15.4 個百分點（46.0% → 61.4%）。
這是最值得老闆記住的一條：任務越難，多付的推理預算越有回報；任務夠簡單時，你為高檔位付的錢有一大半是浪費。簡單任務用 Low 檔，是有數據支撐的省錢動作。
多花錢也不保證單調變好。在官方公布的 ARC-AGI-2 公開題組（Public Eval，120 題，官方逐題列出三個檔位的對錯）裡，有 5 題出現 Low 檔答對、Max 檔反而答錯：4c3d4a41、7b5033c1、7c66cb00、a47bf94d、edb79dae。推理預算調高，會改變模型的解題路徑，路徑改了就有可能改壞。
逐題表格還顯示另外兩件事。三個檔位全部答錯的有 37 題，佔 120 題的 30.8%——這批題目加多少預算都救不回來，卡住的是能力邊界，預算解不開。三個檔位全部答對的有 40 題（33.3%），這批用最便宜的 Low 檔就夠了。Max 檔在這 120 題公開題組答對 72 題（60.0%），與半私有題組的 61.4% 相當接近，代表這個成績不是靠特定題組僥倖。
每題 0.02 美元算便宜嗎？這個數字能直接套到我的產品上嗎？
不能直接套。0.02 與 0.04 美元是 ARC-AGI 題目的每題成本，跟你的客服對話、報表整理、合約比對在輸入長度與輸出長度上完全不同。
但這個數字有一個正確用法：當成「難推理任務的價格參考點」。跑 1,000 個 ARC-AGI-2 難度的推理任務，在 Max 檔約 40 美元。這是一個小公司做內部試跑不會有壓力的量級。
三年前，能做這種等級推理的模型，光是取用門檻就會讓中小企業直接跳過。現在門檻掉到一頓晚餐的價位，而且來自一個掛著「Flash」名字的輕量版本。價格戰的主戰場已經從「聊天多便宜」移到「推理多便宜」。
這對台灣中小企業意味著什麼？
意味著你報價單上那句「我們用的是最貴的模型，所以品質有保障」，從這個月起說不出口了。客戶只要問一次 AI，就會看到便宜模型也能打到這個分數。
具體該做四件事：
- 把任務分兩類。 拿你產品線上所有 AI 呼叫，分成「需要當場歸納規則」與「只需要照既定格式做事」。後者佔比通常遠高於老闆的直覺，那部分完全不必付高檔推理的錢。
- 只為難的那 30% 付高價。 這次數據顯示，難任務加預算能換到 15.4 個百分點，簡單任務只換到 5.0 個百分點。錢要花在難的那邊。
- 用你自己的 30 題做離線對照，不要看榜單換模型。 榜單測的是 ARC-AGI，你的生意不是。準備 30 個真實案例、標好正確答案，同一批題目餵給現用模型與候選模型，比對錯誤率與單次成本。這件事一個下午做得完。
- 報價時把模型成本與工程成本拆開列。 模型單價正在快速貶值，工程、資料整備、治理與驗收的成本沒有跟著降。混在一起報價，等於用一個會貶值的項目替不會貶值的項目背書，明年續約一定被砍。
這裡假設一個常見情況：整條產線綁死在單一模型的 API 格式上，想換模型就得重寫大半個中介層。真正該投資的是「換模型只要改設定檔」的抽換層，賭對某一家模型商靠不住。
我該把現在的商用模型換成 DeepSeek V4 Flash 嗎？
看用途。這次公布的只有 ARC-AGI 推理成績，不涵蓋綜合商用能力，把它當作換模型的唯一依據會出事。
| 你的用途 | 這次數據支不支持換 | 換之前該先做什麼 |
|---|---|---|
| 規則歸納、異常判斷、複雜排程 | 支持評估，這正是 ARC-AGI 測的能力 | 用自家 30 題離線對照，比對 Low／High／Max 三檔的準確率與成本 |
| 客服對答、文案生成、摘要 | 不支持，這頁沒有相關評測 | 官方未公布這類成績，要自己測，或等其他基準結果 |
| 涉及個資、合約、財務的流程 | 不支持直接換 | 先確認資料落地、留存政策與存取紀錄，這不是分數能回答的問題 |
| 已經跑得很穩、成本佔比很低的功能 | 不支持，沒有換的理由 | 維持現狀，把力氣花在成本佔比高的那條線 |
另外要說清楚：這頁官方沒有公布延遲、上下文長度上限、每題實際 token 用量、商用授權條款，也沒有列出同期其他模型的對照數字。這些全部是換模型前必須自己去問清楚的欄位。三個檔位裡的 High 與 Low 每題成本同樣未公布，做預算時只能用 Max 檔的 0.02／0.04 美元當上緣。
官方這次沒有公布什麼？
比分數更值得記下來的是缺口清單。ARC Prize 這頁只做一件事：驗證分數與每題成本。以下項目在頁面上找不到，任何人跟你講這些數字，都要先問出處。
- ARC-AGI-3 的成績（頁面標示為未列成績）
- High 與 Low 檔的每題成本
- 半私有題組與公開題組的定義與差異說明
- 模型參數規模、「Flash」相對於完整版的定位
- 延遲、吞吐量、上下文長度
- 與其他商用模型的同期對照
- 部署方式、資料留存與商用授權條款
在這些空白被填上之前，把 DeepSeek V4 Flash 0731 當成「一個在推理基準上被官方驗證過、每題成本很低的候選模型」就好。ARC Prize 的完整榜單在這裡，可以自己去比對其他模型的成本與分數位置。
結論：今年的模型預算要按季重估
把模型費用當固定成本編年度預算的做法，這一年已經行不通。輕量版模型在官方驗證的推理基準上打到 61.4%，每題 0.04 美元，代表你去年談的單價今年一定貴了。
從這週開始做三件事：把任務按難度分級、為每一級指定最便宜可用的檔位、每一季重新跑一次離線對照。做完這三件事，你談的其實是成本結構。
模型成本要按季重估，客戶怎麼找到你這件事同樣得定期回頭看一次——你的報價再精準，客戶問 AI 時沒被提到就沒有下一步。如果你想知道客戶在 ChatGPT、Perplexity 或 Google AI 上問「這類服務推薦哪家」時，你的公司會不會出現在答案裡，可以從 AIRUN 的 AEO 檢查開始看。
常見問題
DeepSeek V4 Flash 0731 在 ARC-AGI 測試表現如何？
官方驗證成績：最高檔（Max）在 ARC-AGI-1 半私有題組拿 89.0%、每題 0.02 美元，ARC-AGI-2 拿 61.4%、每題 0.04 美元。High 檔 87.0% 與 56.0%，Low 檔 84.0% 與 46.0%，ARC-AGI-3 未列成績（2026 年 7 月 31 日公布）。
它適合拿來取代哪些商用模型？
只適合評估用在「需要當場歸納規則」的任務，例如異常判斷、複雜排程、規則推理。客服對答、文案生成、摘要這類語言任務，官方這頁沒有評測數據，不能用這個成績當換模型的理由。涉及個資、合約、財務的流程，要先確認資料落地與授權條款，那不是分數能回答的。
三個推理檔位該選哪一個？
看任務難度。從 Low 到 Max，ARC-AGI-1 只多 5.0 個百分點，ARC-AGI-2 卻多 15.4 個百分點。簡單任務用 Low 檔，省下來的錢是實打實的；難任務才值得付 Max 檔。實務做法是把任務分級，每一級指定最便宜可用的檔位；全線都掛最高檔只是把錢燒掉。
推理預算調到最高，準確率一定更好嗎？
不一定。官方 ARC-AGI-2 公開題組 120 題中，有 5 題 Low 檔答對、Max 檔答錯（4c3d4a41、7b5033c1、7c66cb00、a47bf94d、edb79dae）。另有 37 題三檔全錯，佔 30.8%，屬於能力邊界，加預算救不回來。
每題 0.02 美元可以直接當成我的產品成本嗎？
不行。那是 ARC-AGI 題目的每題成本，輸入輸出型態跟你的業務任務完全不同。正確用法是當成「難推理任務的價格參考點」：跑 1,000 個 ARC-AGI-2 難度的任務，Max 檔約 40 美元。實際成本要用你自己的真實案例跑一輪才算得準。
中小企業現在該做什麼？
四件事：把 AI 呼叫按「需要歸納規則」與「照格式做事」分兩類；只為難的那類付高檔位費用；準備 30 個自家真實案例做離線對照，不要看榜單換模型；報價時把模型成本與工程成本拆開列。模型單價正在快速貶值，工程與治理成本沒有，混在一起報價明年續約會被砍。