AnswersPublished18 sources
DeepSeek V4 Pro får følge av Harness: Derfor kan agentmotoren bli viktigere enn modellen
DeepSeek lanserte den offisielle V4 Pro modellen sammen med Harness v0.1, en MIT lisensiert utviklerforhåndsvisning – ikke et ferdig kodeagentprodukt. Harness bygger på Cordis og gjør modeller, verktøy, økter, lagring, agentløkker, sandkasser, planlegging og brukergrensesnitt utskiftbare som programtillegg.
Publisert avRedigert med GPT-5.6 LunaBilder generert med GPT Image 1.5
Research answer
Key takeaways
- DeepSeek lanserte den offisielle V4 Pro modellen sammen med Harness v0.1, en MIT lisensiert utviklerforhåndsvisning – ikke et ferdig kodeagentprodukt.
- Harness bygger på Cordis og gjør modeller, verktøy, økter, lagring, agentløkker, sandkasser, planlegging og brukergrensesnitt utskiftbare som programtillegg.
- I Composios test utførte samme DeepSeek V4 Flash modell mellom 14 og 20 av 30 oppgaver, avhengig av hvilken agentmotor som ble brukt.
- Sporbare økter med gjenopptakelse, forgrening, søk og avspilling kan gjøre utvikling og evaluering mer etterprøvbar.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What were DeepSeek’s August 13, 2026 announcements of the official DeepSeek V4 Pro and the MIT-licensed developer preview of DeepSeek Harnes. Article summary: On August 13, DeepSeek paired the official release of DeepSeek V4 Pro—its agent-work-oriented flagship—with Harness v0.1, an MIT-licensed, source-available developer preview for people building agent runtimes rather than. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
DeepSeek lanserte 13. august 2026 to produkter på ulike nivåer i AI-stakken: den offisielle DeepSeek V4 Pro, rettet mot agentbaserte arbeidsoppgaver, og DeepSeek Harness v0.1, en MIT-lisensiert utviklerforhåndsvisning for å bygge og endre kjøremiljøer for AI-agenter. 32
20
Det strategiske budskapet er større enn en vanlig modellansering. I praktiske agentarbeidsflyter opererer modellen i et system som tilfører kontekst, verktøy, minne, kjøreregler, feilhåndtering og evaluering. Composios tester tyder på at dette systemet kan endre både treffsikkerhet og kostnad betydelig – selv når den underliggende modellen er den samme. 3
To lanseringer – to forskjellige lag
DeepSeek lanserte den offisielle V4 Pro-versjonen sammen med Harness v0.1. Harness distribueres som dsh og presenteres som infrastruktur for utviklere som bygger agentmotorer, ikke som en moden sluttbrukererstatning for produkter som Claude Code eller Codex. 32
20
Lisensen er sentral. Ved å publisere utviklerforhåndsvisningen under den tillatende MIT-lisensen åpner DeepSeek runtime-miljøet for innsyn, endringer og videreutvikling. Dokumentasjonen beskriver også en modellagnostisk arkitektur, der utviklere kan bruke flere modelltilbydere i stedet for å låse seg til én modell. 22
28
Samme modell, ulike resultater
Composio kjørte den samme DeepSeek V4 Flash-modellen gjennom åtte agentmotorer på 30 flertrinnsoppgaver. Av 240 kjøringer ble 129 fullført, tilsvarende en samlet suksessrate på 53,8 prosent. Bare seks av de 30 arbeidsflytene ble fullført av samtlige motorer. 3
Resultatene fordelte seg slik:
- Pi Agent fullførte 20 av 30 oppgaver.
- Oh My Pi fullførte 17 av 30.
- Claude Code, Codex og DeepAgents fullførte 16 av 30 hver.
- Hermes Agent fullførte 15 av 30.
- OpenCode fullførte 14 av 30.
Kostnaden per vellykket oppgave var også ulik. Composio anslo omtrent 0,195 dollar for Claude Code, 0,081 dollar for Codex og 0,045 dollar for DeepAgents. For Pi Agent ble kostnaden oppgitt til 0,028 dollar, men tallene må ses i lys av testmetoden og at hver runtime kan oppføre seg forskjellig. 3
Dette er ikke en universell rangering av agentprodukter. Det er snarere et tegn på at modelltester alene ikke beskriver agentenes faktiske ytelse. Den praktiske sammenligningsenheten blir i økende grad modell pluss agentmotor.
«Alt er et programtillegg»
Harness er bygget på Cordis, et rammeverk der funksjoner i runtime-miljøet eksponeres som programtillegg. I DeepSeeks arkitekturdokumentasjon beskrives modelladapteren, verktøyregisteret, øktloggen og agentløkken som utskiftbare komponenter. 17
Andre grenselinjer for programtillegg omfatter blant annet:
- modell- og leverandøradaptere;
- verktøy og ferdigheter;
- økter og lagring;
- sandkasser og kjøringsmiljøer;
- planlegging og koordinering av underagenter;
- selve agentløkken; og
- brukergrensesnittet.
Dette skiller språkmodellen fra maskineriet som gjør et svar om til en pågående agentprosess. Utviklere kan dermed endre hvordan agenten setter sammen kontekst, bruker verktøy, lagrer tilstand, prøver på nytt etter feil eller presenterer arbeidet sitt, uten å skrive om hele runtime-miljøet. 17
20
Formuleringen «alt er et programtillegg» handler derfor om mer enn programvarepakning. Den plasserer laget mellom modellen og arbeidsmiljøet i sentrum for videre eksperimentering.
Sporbare økter gjør utviklingen mer etterprøvbar
DeepSeek opplyser at Harness registrerer det modellen ser og gjør i en logg som bare kan utvides. Den inneholder blant annet systeminstruksjoner, resonnering, verktøykall og resultater, planlegging av underagenter og innsetting av ny kontekst. I Trajectory-visningen kan utvikleren inspisere hendelsesstrømmen, mens gjenopptakelse, forgrening, søk og avspilling bygger på den samme loggen. 22
For utviklere kan dette gi flere fordeler:
- Feilsøking: En feil kan undersøkes som en kjede av kontekstendringer og handlinger, ikke bare som et dårlig sluttsvar.
- Reproduserbarhet: En arbeidsflyt kan spilles av på nytt etter at en instruksjon, et verktøy eller et programtillegg er endret.
- Kontrollerte eksperimenter: En kjøring kan forgrenes slik at en alternativ strategi testes uten at originalen forsvinner.
- Evalueringsdata: Vellykkede og mislykkede kjøringer kan brukes til å teste nye verktøy, instrukser, regler eller agentløkker.
Dette legger til rette for en kontinuerlig utviklingssløyfe: Kjør en oppgave, inspiser sporet, finn feilen, endre et programtillegg, kjør på nytt og ta vare på resultatet. Men et system som lagrer og spiller av agentspor, er ikke automatisk et system som lærer selv. Dokumentasjonen støtter Harness som et etterprøvbart grunnlag for iterativ utvikling – ikke som bevis på pålitelig autonom forbedring. 22
Minne og selvevolusjon krever forbehold
Økosystemet rundt Harness omfatter allerede tredjepartsprosjekter som markedsfører langtidsminne på tvers av økter og bakgrunnsbasert selvevolusjon. 18
19
Slike prosjekter viser at programtilleggsarkitekturen kan håndtere vedvarende minne, prosjekthistorikk, selvgjennomgang og styring av ferdigheter. De dokumenterer imidlertid ikke at selve v0.1-versjonen på en trygg og generell måte utfører kontinuerlig selvforbedring. Valgfrie programtillegg, eksperimentelle integrasjoner og kjernefunksjoner må holdes fra hverandre.
Før produksjonsbruk må virksomheter også vurdere lagring av data, tilgangstillatelser, isolering av sandkasser, håndtering av API-nøkler, muligheten for tilbakerulling og risikoen for at et automatisert system endrer sine egne verktøy eller arbeidsrutiner.
DeepSeeks strategiske mål: å eie utviklerens inngangspunkt
DeepSeek kan konkurrere på modellnivå med V4 Pro og V4 Flash. Med Harness får selskapet samtidig en mulighet til å konkurrere på laget der utviklere bestemmer hvordan modellene faktisk skal brukes.
Dette laget avgjør blant annet:
- hvilken modell som velges;
- hvordan kontekst settes sammen og komprimeres;
- hvilke verktøy og tillatelser agenten får;
- hvordan langvarige oppgaver gjenopptas;
- hvordan feil oppdages og håndteres;
- hvordan agentspor evalueres; og
- hvilke programtillegg som blir en del av arbeidsflyten.
En åpen runtime gjør det mulig for eksterne utviklere å bygge adaptere, verktøy, minneløsninger og arbeidsmønstre rundt DeepSeeks arkitektur. Samtidig kan arkitekturen gi DeepSeek innflytelse over utviklerens inngangspunkt, selv om Harness støtter flere modelltilbydere. Det kan bli en mer varig strategisk posisjon enn å konkurrere bare på modellvekter eller API-priser.
Tilnærmingen åpner også for AI-assistert AI-utvikling. En agent kan for eksempel hjelpe til med å lage et programtillegg, undersøke mislykkede agentspor, foreslå en endring, kjøre en evaluering og bevare historikken over eksperimentene. Det bør forstås som infrastruktur for en teknisk tilbakemeldingssløyfe – ikke som en ferdig selvlærende agent.
Hvorfor v0.1-etiketten betyr noe
At Harness er merket som en utviklerforhåndsvisning, er avgjørende for hvordan lanseringen bør tolkes. Det signaliserer en invitasjon til å eksperimentere og utvikle videre sammen med DeepSeek, men betyr også at API-er, integrasjoner, sikkerhetskontroller og driftsatferd fortsatt kan endres. 20
Utviklere bør derfor vurdere Harness som et åpent rammeverk og en plattform for utforskning – ikke anta at det allerede har påliteligheten, ferdigstillelsen eller sikkerhetstiltakene til en moden kodeagent.
Konklusjonen
DeepSeeks lanseringer 13. august koblet en modellstrategi til en infrastrukturstrategi. V4 Pro er flaggskipmodellen, mens Harness eksponerer runtime-miljøet som avgjør hvordan modellen arbeider med verktøy, kontekst, minne og langvarige oppgaver. 32
20
Composios resultater viser hvorfor forskjellen er viktig: Den samme V4 Flash-modellen fullførte mellom 14 og 20 av de testede oppgavene, avhengig av hvilken agentmotor den ble kjørt gjennom, og kostnadene varierte også betydelig. 3 Harness’ programtilleggsarkitektur og sporbare agentkjøringer gir DeepSeek et troverdig grunnlag for eksperimentering, evaluering og AI-assistert utvikling. Det beviser ikke pålitelig kontinuerlig læring – men det kan gjøre agentmotoren til en av de viktigste kamparenaene i neste fase av AI-utviklingen.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "DeepSeek V4 Pro får følge av Harness: Derfor kan agentmotoren bli viktigere enn modellen"?
DeepSeek lanserte den offisielle V4 Pro modellen sammen med Harness v0.1, en MIT lisensiert utviklerforhåndsvisning – ikke et ferdig kodeagentprodukt.
What are the key points to validate first?
DeepSeek lanserte den offisielle V4 Pro modellen sammen med Harness v0.1, en MIT lisensiert utviklerforhåndsvisning – ikke et ferdig kodeagentprodukt. Harness bygger på Cordis og gjør modeller, verktøy, økter, lagring, agentløkker, sandkasser, planlegging og brukergrensesnitt utskiftbare som programtillegg.
What should I do next in practice?
I Composios test utførte samme DeepSeek V4 Flash modell mellom 14 og 20 av 30 oppgaver, avhengig av hvilken agentmotor som ble brukt.