先给结论
DeepSeek V4 Preview 强调 Agent 能力，企业应该怎样评测？
DeepSeek V4 Preview 的企业价值不能由一句“Agent 能力更强”直接推出。应把它接入相同 Harness，用企业真实材料和工具运行多步任务，观察是否正确调用、何时停止、能否返回证据、失败后怎样恢复，以及包含重试和人工复核后的总成本。
数位人判断
模型进入 Agent 时代后，评测单位必须从“一次回答”升级为“一段任务轨迹”。
Agent 模型的评测单位不是答案，而是完整轨迹
01真实输入
→正常、缺失和冲突样本
02任务规划
→步骤是否合理、能否调整
03工具执行
→参数、重试、停止和幂等
04结果证据
→来源、产物和不确定性
05总成本
模型、工具、复核和返工
只看最后一段文字，会看不见错误工具调用、重复动作和中间证据丢失。
事实核验
先区分官方信息与我们的判断
企业决策表
从模型榜单转向企业任务评测
评测对象常见做法数位人建议
推理能力看公开题库分数加入本企业材料、反例和时间限制
工具调用看是否成功调用一次测试错误参数、超时、撤销和重复执行
长任务看最终是否生成检查中间状态、证据和人工接管
成本比较每百万 token计算一次可采用结果的完整成本
企业下一步
不追热点演示，用真实任务建立结论
- 01
建立二十到五十条真实任务集，并冻结测试期间的工具与数据版本。
- 02
与当前主模型盲测，不向业务评分者展示模型品牌。
- 03
把事实错误、越权、遗漏、工具失败和人工修改分别记录。
- 04
只在某类任务达到门槛后配置路由，不做全站默认替换。
边界与反例
这些能力不能被宣传语自动证明
- Preview 版本能力、标识、稳定性和价格可能变化。
- 公开基准不能覆盖企业私有材料、业务工具和责任要求。
- 国内部署与服务并不自动免除企业的数据分类和权限治理。