DeepSeek V4 Pro 0813 对比 GPT-5.6 Sol：DeepSWE 上的成本、编码与路由
核心要点
- 别二选一。先用 DeepSeek V4 Pro 0813，测试失败后再升级到 GPT-5.6 Sol。这种级联方案能解决 DeepSWE 中 83.0% 的任务，平均每个任务成本 3.35 美元。而只用 Sol 能解决 72.7%，成本 8.37 美元。准确率高了约 10 个百分点，成本还便宜 60%。
- Sol 在早期尝试中占优。pass@1（只尝试一次）为 72.7%，Pro 为 62.8%；pass@2（允许尝试两次）上 Sol 也继续领先（81.0% vs 78.5%）。
- Pro 赢下了最后一次尝试。pass@4（允许尝试四次）为 88.5%，Sol 为 85.8%。也就是说，给足四次机会，便宜模型能覆盖更多任务。
- 价格差距达到 35 倍。Pro 每次运行只要 0.24 美元，Sol 要 8.37 美元。每花 100 美元，Pro 能解决 261 个任务，Sol 只能解决 9 个。
- Sol 更快也更稳。每次运行平均耗时 17 分钟、53 步；Pro 则需要 35 分钟、146 步。四个尝试全部通过的任务，Sol 有 61 个，Pro 只有 35 个。
- Sol 的失败更棘手。20% 的失败会破坏原本已经通过的测试，而 Pro 只有 11%。所以如果要用 Sol，必须在回归测试上严格把关。
在 DeepSWE 基准上，我们对比了 DeepSeek V4 Pro 0813 和 GPT-5.6 Sol。DeepSWE 是一个横跨多种任务类型和
DeepSWE 排行榜：pass@1 与 pass@k
单次尝试（pass@1）下，Sol 优势明显：72.7% 对 Pro 的 62.8%（官方计分口径）。但每多一次重试，差距就缩小一点，直到反转——两次尝试时 Pro 已经追到 78.5% vs 81.0%；四次尝试时，Pro 的 pass@4 达到 88.5%，反超 Sol 的 85.8%。更便宜的模型覆盖面反而更广：它需要不止一次尝试，而它的尝试几乎不花钱。如果你的工作负载允许跑 best-of-k（多次采样取最优），Sol 在准确率上的优势基本就消失了。
成本对比：DeepSeek V4 Pro 0813 与 GPT-5.6 Sol 的定价
DeepSeek V4 Pro 0813 跑一次任务只要 0.24 美元，比 Sol 的 8.37 美元便宜 35 倍。按价值算，每 100 美元 Pro 能完成 260 次解题，Sol 只有 9 次。但低价买不来速度和简洁：Pro 中位数要跑 146 步、耗时 35 分钟，输出 101k 个 token；Sol 只要 53 步、17 分钟，输出 59k 个 token。Sol 是又快又简洁的专精选手，Pro 则是绕远路达到相近的覆盖率。如果有人在等结果，光延迟这一项 Sol 就值回溢价；如果等的是预算或队列，那目前没有任何选项能与 Pro 相提并论。
覆盖 vs 可靠：精度与触达的权衡
把 pass@1 拆成覆盖率和可靠性，分界很清楚。Sol 站在精度这一端：可靠性 84.5%，61 个任务四次全对，是典型的「碰一个成一个」的模型。DeepSeek V4 Pro 0813 则换到另一头：覆盖率更广（88.5% vs 85.8%），但可靠性低得多（71.0%），能稳定四次全对的任务也更少（35 vs 61）。这正是从侧面看 pass@4 交叉点的图景：Pro 触及的基准任务比 Sol 多，但每次尝试的成功转化率更低。
失败模式：两个模型各错在哪里
两种模型的失败特征差异很明显。Sol 在 20% 的失败案例中破坏了仓库原有的测试套件，这是 GPT 家族典型的回归特征；而 DeepSeek V4 Pro 0813 要保守得多，只有 11%，它失败时通常只是接近答案但没做对、基线代码仍然完好。所以更便宜的模型反而更适合不审查就直接采纳：如果你想直接用 Sol 的改动，先给它加一道完整的回归测试门禁；而 Pro 则没那么需要这道防线。
按任务类型看各自的优势
Sol 在质量上的领先是全面的：8 个领域中赢了 6 个，最突出的是数据建模与序列化，得分 92%（比 Pro 高出 28 个百分点），此外还有查询/配置（80）、并发（72）、构建/运维（73）、程序分析（64）和协议一致性（59）。Sol 没有赢下的只有两个窄领域：语言与运行时内部实现打成 75:75 平手，DeepSeek V4 Pro 0813 则在有状态响应性上以 66 比 64 小幅胜出，这也是它唯一赢下的领域。凡是任务要求精确落地某个序列化协议的地方，Sol 都会大幅拉开差距。
按编程语言看 DeepSeek V4 Pro 0813 与 GPT-5.6 Sol 的表现
Sol 横扫了五种语言中的四种（Python 74、Go 79、TypeScript 66、JavaScript 75），而且在 Python 和 Go 上领先幅度很大。唯一例外是 Rust，DeepSeek V4 Pro 0813 以 65 比 60 反超：这是唯一一种 Sol 表现低于自身平均水平、而 Pro 完胜的语言。如果你的技术栈是 Python 或 Go，这场比较基本是 Sol 的天下；如果是 Rust，Pro 只稍微好一点点，但价格便宜得多。
DeepSeek V4 Pro 0813 与 GPT-5.6 Sol 的差异有多大？
差异中等。两者在单个任务上的相关系数为 0.54，是 DeepSeek-Pro 各配对中相关性最高的一对。它们都能解决 90 个任务；Pro 独有 10 个，Sol 独有 7 个，还有 6 个把两者都难住了。两者并集覆盖 113 个任务中的 107 个（94.7%）。有一个不对称性对组合策略很重要：DeepSeek V4 Pro 0813 没有解决任何一个 Sol 完全搞不定的任务，而 Sol 在两个 Pro 从未解决的任务上（pebble-durability-wait-apis、textual-kitty-key-phases）做到了全对。所以 Pro 在 Sol 之上并没有增加多少新的覆盖面；它增加的是以最低成本清掉共同任务的能力。
在两者之间路由：组合玩法
这正是级联方案胜出的原因。先跑 DeepSeek V4 Pro 0813，只有当测试套件拒绝其答案时才升级到 Sol：83.0% 的解决率，每任务成本 3.35 美元。这比单独用 Sol（72.7%）高出十个百分点，而成本不到 Sol 每任务价格（8.37 美元）的一半。近乎免费的第一阶段清掉了大部分任务，所以 Sol 的高价只适用于剩下的难题，而且到达 Sol 的任务还能在此基础上获得第二次独立尝试。级联甚至击败了完美的单次预言机路由器（80.8%），因为两次独立尝试胜过一次完美选择。无论哪个模型先行，准确率都一样，但 Pro 先行要便宜得多（3.35 美元 vs 8.44 美元），所以始终用成本更低的模型先行。
这意味着什么
GPT-5.6 Sol 是单模型场景下的首选——当「第一次就答对」和延迟同样重要时：它的 pass@1 最高、可靠性最高、回答最快也最简洁，8 个任务领域里赢下 6 个。为此你得多花 DeepSeek V4 Pro 0813 约 35 倍的成本，还得应付它 20% 的回归率。DeepSeek V4 Pro 0813 则是性价比和多次采样（best-of-k）场景的优选：覆盖面接近旗舰、四次尝试的天花板更高、失败表现也更干净，每次运行只要 0.24 美元。不过这两个模型最有价值的用法，不是单独用哪一个，而是把 Pro 放在 Sol 前面打头阵。先用低成本的第一阶段清掉大部分任务，Sol 的成本就只花在真正需要它的任务——不到 Sol 一半的价格，就能获得超越旗舰的覆盖率。
数据表：DeepSeek V4 Pro 0813 与 GPT-5.6 Sol 完整结果
DeepSWE · 完整结果
常见问题
DeepSeek V4 Pro 0813 比 GPT-5.6 Sol 更强吗？
这取决于你看哪个指标。在 DeepSWE 上，GPT-5.6 Sol 的单次尝试质量更高（pass@1 为 72.7% 对 62.8%），四轮全对解决的任务更多（61 对 35），而且每次运行都快得多。DeepSeek V4 Pro 0813 则在 pass@4 上胜出（88.5% 对 85.8%），每次运行成本低 35 倍，因此对于大批量或可容忍重试的智能体任务，它是性价比更强的选择。
DeepSeek V4 Pro 0813 比 GPT-5.6 Sol 便宜多少？
在我们的测试中，DeepSeek V4 Pro 0813 每次运行花费 0.24 美元，而 GPT-5.6 Sol 在最大努力模式下为 8.37 美元，便宜约 35 倍。按每个解决的任务来算，Pro 每 100 美元解决 260 个任务，Sol 每 100 美元解决 9 个，即每美元完成的工作量约为前者的 30 倍。
对于编程任务，DeepSeek V4 Pro 0813 与 GPT-5.6 Sol 哪个更好？
GPT-5.6 Sol 在 Python（74）、Go（79）、TypeScript（66）和 JavaScript（75）上领先，并赢下 8 个任务领域中的 6 个，其中数据建模与序列化以 92% 位居榜首。DeepSeek V4 Pro 0813 则在 Rust（65 对 60）上胜出，并在有状态响应（66 对 64）上略胜一筹。Sol 每次运行也更快；Pro 则在多次尝试中覆盖范围更广。
要不要在 DeepSeek V4 Pro 0813 和 GPT-5.6 Sol 之间做路由？
需要，前提是你能验证结果。先用 DeepSeek V4 Pro 0813 跑一遍，当你的测试套件判定输出不通过时，再升级到 GPT-5.6 Sol。这种方式在 DeepSWE 上能达到 83.0% 的通过率，每个任务成本 3.35 美元。相比之下，单独用 Sol 只有 72.7% 通过率、每个任务成本 8.37 美元；即便是完美的 one-shot 理想路由（每次都能选对模型）也只有 80.8%。两者合在一起，113 个任务里能覆盖 107 个。