Deepseek V4 Pro，能不能成为日常投研的主力？

8 月 13 日，DeepSeek V4 Pro 正式版上线。

市场上已经出现了不少模型评测，但对个人投资者来说，以代码能力、通识问答或单一总分为主的榜单只能提供部分参考。真正影响投研使用的，是模型能否读懂财报、处理估值计算、解释市场逻辑，并在涉及事实、时间和政策性质时避免关键错误。

基于这一问题，nashnova 将 DeepSeek V4 Pro、Claude Opus 5、Qwen3.8-Max、DeepSeek V4 Flash、Kimi K3 和 GLM-5.2 接入同一套投研产品环境，使用相同的金融数据、投研 Skills 和 Agent 流程，分别进行了金融可靠性、研究质量与深度、实际使用体验三套评测。

开放研究题由 GPT 5.6 旗舰模型 sol 参与评分，因此该模型没有进入本次横向对比。

我们希望回答一个具体问题：

DeepSeek V4 Pro 能否成为日常投研的主力模型？

结论是：可以，但它并不是所有任务的最优选择。

DeepSeek V4 Pro 适合估值、标准化研究和批量任务；Claude Opus 5 在复杂公司研究和深度推导中表现更强；Qwen3.8-Max 更适合政策、宏观和事件分析；DeepSeek V4 Flash 适合快速筛选大量资讯、财报和行业材料。

Kimi K3 在长材料和产业信息整理方面有优势，但时间线与政策事实需要额外复核。GLM-5.2 能形成完整的分析结构，但本次测试中关键事实和计算错误相对较多，暂不建议直接用于重要投研任务或金融内容发布。

为什么需要三套评测

一份投研回答可以写得很深，却在关键数字上出错；也可以很少犯错，但推理停留在表面。还有一些模型适合快速处理大量任务，却不适合直接承担高风险研究的最终输出。

如果把这些差异压进一个总分，结果很容易误导用户。因此，nashnova 将评测拆为三个问题：

三套评测使用不同标准，结果顺序不完全一致。这不是冲突，而是说明模型选择必须从任务出发。

日常使用：V4 Pro 适合标准化和批量任务

在实际使用体验评测中，DeepSeek V4 Pro 与 Claude Opus 5 的共识分接近。

V4 Pro 的优势主要体现在估值、数量测算和标准化研究。它通常能清楚列出公式、单位和计算过程，便于后续检查。对于批量财报问答、公司初筛或固定模板下的估值任务，这种交付方式比偶尔出现一篇写得很漂亮、但难以稳定复用的答案更实用。

需要说明的是，实际使用体验成绩来自两轮独立评分后的共识分。两轮评分并不等于模型在冻结配置下重新生成了两批答案，因此不能单凭这项结果证明模型的重复生成稳定性。更准确的说法是：在本次评测样本和评分体系中，V4 Pro 呈现出较好的日常任务适配度和标准化交付能力。

Claude Opus 5 的优势出现在需要深入拆解的问题中。它更经常主动说明关键假设、反方证据、证伪条件和后续跟踪指标，适合公司深度研究、行业拆解和复杂情景分析。相应的代价是回答通常更长，等待时间也更久。

Qwen3.8-Max 的信息密度较高，政策、宏观和事件分析表现较好。使用时仍应复算金额、单位和比例，避免计算细节影响结论。

DeepSeek V4 Flash 的定位更明确。它适合先处理大量资讯、财报和行业材料，再把真正重要的问题交给更强的模型继续研究。

Kimi K3 更适合长材料与产业信息整理，但时间顺序、政策状态和关键事实需要复核。GLM-5.2 的分析结构通常完整，本次测试中底层事实和计算错误相对更多。

金融可靠性：写得顺，不代表关键地方不会错

金融研究不能只看答案是否完整、流畅。一个关键事实错误，可能推翻后续整条分析链。

本次测试中出现了几类典型问题：使用后来公布的信息解释此前行情，把监管或许可费用解释成关税，以及把 8 亿元写成 81 亿元。

nashnova 将足以破坏核心结论的错误定义为“红线错误”。这类错误不能被其他部分的高分抵消。

整批测试共确认 5 次红线错误：Qwen3.8-Max 和 Claude Opus 5 没有触发；DeepSeek V4 Flash、DeepSeek V4 Pro、GLM-5.2 和 Kimi K3 分别出现一次或多次。

这也解释了 V4 Pro 看似矛盾的结果。它在日常使用和标准化任务中表现较好，但在金融可靠性评测中没有排在最前面，因为其中一次回答将监管或许可费用解释成了关税。

这不是措辞问题。政策性质一旦判断错误，对行业成本、企业盈利和后续政策方向的推导都可能偏离事实。

Qwen3.8-Max 在金融可靠性评测中领先，主要因为它处理政策性质、事件时间线和正式内容时更稳。Claude Opus 5 同样处于第一梯队，并保持了较高的研究深度。但无论模型排名如何，关键数字、来源和计算都仍需人工核验。

研究深度：Claude 更接近可继续加工的研究底稿

避开严重错误，只解决了研究的底线。完成公司研究、行业分析或情景推演，还要看模型是否能展开假设、反证和后续观察项。

这一部分，Claude Opus 5 的优势最明显。

它通常会说明结论依赖哪些条件，哪些证据可能推翻当前判断，以及后续应该跟踪哪些指标。与直接给出答案相比，这种结构更接近可以继续核验和迭代的研究底稿。

Qwen3.8-Max 能提供较高的信息密度，适合形成政策、宏观和事件研究的初稿，但关键计算仍需单独检查。

DeepSeek V4 Pro 的结构更规整，适合按固定模板完成估值、公司问答和标准化研究。遇到多层推导、反方论证和复杂情景分析时，Claude 的完成度更高。

Kimi K3 在产业材料整理方面有一定优势。DeepSeek V4 Flash 适合前期筛选，但不宜直接承担复杂研究终稿。

把三套结果放在一起，V4 Pro 的角色就很清楚了：它可以承担日常的大部分标准化研究工作，但深度、政策或高风险任务应切换模型，或增加更严格的交叉复核。

个人投资者如何按任务选择模型

用户不需要为了这份评测同时订阅所有模型。更实用的方式，是根据自己的高频任务建立主模型和复核模型。

重要任务可以采用一个简单的双模型流程：一个模型负责分析，另一个模型只检查事实、时间、单位、分母、政策性质和计算，最后由人确认原始公告或政策文件。

可以在分析完成后单独追加下面这段提示词：

请单独检查事实、时间、单位、分母、政策性质，以及引用是否支持结论。只列可能推翻结论的错误，不要继续润色正文。

这段提示词不能替代人工核验，但可以帮助用户更快发现足以改变结论的问题。

nashnova 为什么不提供一个统一总榜

本次评测比较的是六个模型接入 nashnova 投研环境后的实际表现，而不是官网聊天页面或 API 裸模型能力。

在同一套产品环境中，模型可以使用相同的金融数据、投研 Skills 和 Agent 流程。这样做的目的，是减少数据和工作流差异，让结果更接近用户在真实投研任务中的使用体验。

但这也意味着，评测结果包含模型与产品环境共同作用后的表现，不能直接外推为基础模型在所有场景中的绝对排名。

nashnova 的产品逻辑也不是让用户押注一个永远排名第一的模型。不同研究任务对可靠性、深度、速度和成本的要求不同。用户应根据任务切换模型，并保留来源核验、计算复核、反方检查和人工确认。

因此，回到开头的问题：DeepSeek V4 Pro 能否成为日常投研的主力模型？

可以。

它适合估值、标准化研究和批量任务，也能承担日常大部分研究工作。但“主力”不等于“全能”。复杂研究优先考虑 Claude，政策和宏观问题优先考虑 Qwen，大量材料可以先由 Flash 处理。重要结论则需要交叉核验和人工确认。

附录：三套评测完整成绩

1. 金融可靠性评测

这套评测关注回答能否进入正式研究或发布流程。评分覆盖事实、时间、政策性质、计算、证据、推理和表达。若出现足以推翻结论的严重错误，相关题目会触发封顶。

质量分是红线处理前的综合表现，最终分已经计入严重错误封顶。Qwen3.8-Max 和 Claude Opus 5 没有触发红线；其余模型的质量分并不低，但严重错误拉低了最终成绩。

2. 研究质量与深度评测

这套评测采用五个等权维度：数据覆盖、数据准确性、推理质量、结论质量和回答质量。每项最高 5 分，单题满分 25 分，正式总分来自 13 道盲评题。

Claude Opus 5 在复杂研究中的领先较明显。接近满分的结果也提醒我们，单一模型裁判及其写作偏好可能影响开放题评分，因此这张表更适合观察研究上限，不适合单独代表所有投研能力。

3. 实际使用体验评测

这套评测关注模型在产品中的综合使用感受，包括事实与计算质量、输出长度、等待时间和批量任务适配度。成绩采用两轮独立评分后的共识分。

部分政策与跨资产题被单列，没有进入这张通用能力主榜。因此，它适合判断日常使用体验，不适合单独判断政策任务风险，也不能证明模型重复生成的稳定性。

三张表应分别阅读：金融可靠性回答“内容能否进入正式研究流程”，研究质量回答“复杂问题能否做深”，实际使用体验回答“日常使用是否顺手”。

本文用于模型能力研究与教育，不构成投资建议，不提供荐股、买卖指令、收益承诺或自动交易服务。DeepSeek V4 Pro 的发布时间及官方能力信息参考 2026 年 8 月 13 日公开资料。