DeepSeek V4.1 Flash 更新提升分数，但证据仍局限于内部

证据核查于 2026 年 10 月 19 日：DeepSeek-V4.1-Flash-1017 是 10 月 17 日对 9 月发布的 V4.1 Flash 的更新。下列图表由编辑依据 DeepSeek 模型卡中的数据独立绘制，数据来自 DeepSeek 自测，并非独立复现结果。本次更新没有调整 API 价格。该对比表未披露样本量、不确定性区间或跨供应商匹配的计算预算。 — 来源

DeepSeek 于 10 月 17 日发布了 DeepSeek V4.1 Flash 更新，称其提升了基准测试成绩、加快了任务完成速度，并缩短了输出。名为 DeepSeek-V4.1-Flash-1017 的检查点取代了 9 月版本，覆盖 DeepSeek 的网页应用、移动应用和 API。

重要变化并非推出新的模型家族或架构。DeepSeek 将 1017 描述为对现有 V4.1 Flash 模型的一次小幅更新。开发者仍调用 deepseek-flash，服务会将请求路由至新检查点，无需进行 API 迁移。

这种悄然替换构成了核心张力。DeepSeek 展示了更强的性能成本平衡，尤其是在编程智能体和工具驱动型工作中。然而，公布结果仍由公司自行报告，而且缺少若干进行严密比较所需的评估细节。

DeepSeek 的数据仍值得关注。最大的提升似乎出现在终端工作、程序合成、自动化以及跨越整个软件仓库的任务中。这些正是 Anthropic、OpenAI、Google、Moonshot AI 和 Zhipu AI 正在争夺开发者采用率的工作负载。

因此，这次更新施压的不只是基准排名。它要求供应商证明，高端模型能够以更少的 token 和更少的人为干预，更可靠地完成真实任务。DeepSeek 已强化了自己在这场论证中的一方，但外部测试现在必须判定该更新在多大程度上改变了生产环境结果。

DeepSeek V4.1 Flash 更新是一次检查点迭代，而非新架构

DeepSeek 升级了现有产品背后的模型，而不是推出另一代架构。

公司 10 月更新日志称，DeepSeek V4.1 Flash 已升级至 DeepSeek-V4.1-Flash-1017。网页和移动应用现已使用新版本，API 端点也同步更新。

现有 API 用户无需采用新的模型标识符。使用 deepseek-flash 的请求会访问最新检查点。根据 DeepSeek 的文档，早期 Flash 模型的旧标识符也会被路由至当前版本。

这种交付方式可能让 1017 看上去比实际影响更小。稳定的端点减少了迁移工作，但也意味着应用行为可能在模型名称不变的情况下发生变化。评估输出一致性的团队应记录实际提供服务的检查点，而不只记录 API 标识符。

此次发布不同于 9 月 10 日推出的原始 V4.1 Flash。此前的发布引入了该模型家族的架构、原生视觉理解、更长上下文支持以及经调整的推理设计。10 月的检查点是在既有基础上更新模型。

该架构采用混合专家设计，即 MoE。这种方法会针对每个 token 仅激活庞大网络中的一部分，旨在降低计算量，同时保留模型广泛的能力容量。

DeepSeek 披露，9 月模型采用了 5520 亿参数的主干网络。该公司称，在处理输入时会激活 80 亿参数，而在生成输出期间会激活 160 亿参数。这些规格描述的是 V4.1 架构，而非 1017 引入的新参数配置。

原始发布还描述了一种因果编码器—解码器设计。简单来说，模型会为理解提示词与生成回答分配不同的活跃容量。DeepSeek 将这种不对称定位为提升吞吐量、降低内存需求的方法。

其 技术报告称支持最高达 100 万 token 的上下文。上下文窗口是指模型能够在一次请求中考虑的材料量。DeepSeek 当前文档还列出，最大输出额度为 384,000 个 token。

这些限制并非随 1017 一同推出。原生视觉功能也是如此，它本已是 V4.1 Flash 的组成部分。将这些能力视为 10 月新增功能，会夸大实际变化。

相反，1017 似乎是一次后训练与行为更新。DeepSeek 表示，它改善了推理、编程、智能体工作和视觉任务，同时降低运行时间和响应长度。公司尚未为该检查点公布单独的新参数量。

开放模型分发同样重要。DeepSeek 通过其 模型仓库以 MIT 许可证发布了该检查点。研究人员和基础设施团队因此可以获取权重，但部署如此庞大的模型仍面临现实要求。

开放权重使更深入的检查成为可能，但不会让独立评估变得即时或低成本。复现智能体基准测试需要兼容的基础设施、评测框架配置、工具访问权限、重试策略以及大量计算资源。

结果是，这一发布可通过 API 轻松访问，却更难进行全面验证。这一差距解释了为什么 DeepSeek 的基准测试表目前承载了故事的大部分内容。

DeepSeek 编程基准测试显示更新的改进方向

报告中最强的提升集中于编程和智能体任务，在这些任务中，更短的执行过程可能与更高准确率同样重要。

这四项编程测试中，变化最大的是 Terminal-Bench 4.0：得分从 31.2 升至 42.3，增加 11.1 分，相对原得分约提升 35.6%。DeepSWE v1.1 从 74.2 升至 77.0。竞争表现各有强弱：厂商表格显示，Flash-1017 在 DeepSWE 上高于标为 Opus 5 的模型，但在 Terminal-Bench、ProgramBench 和 NL2Repo-Bench 上仍低于它。这里保留来源中的准确对比名称 Opus 5。Terminal-Bench 使用 Claude Code，DeepSWE 使用 Mini-SWE-V2。该表不能证明各模型的测试预算相同，也不能代表实际生产任务的成功率。

依据 DeepSeek 于 2026 年 10 月 17 日发布的模型卡数据绘制；所报告得分越高越好。Terminal-Bench 使用 Claude Code；DeepSWE 使用 Mini-SWE-V2。原表未披露测试日期、样本量、推理强度、重试次数以及是否匹配令牌和时间预算。 — 来源

DeepSeek 报告称，1017 检查点在 Terminal-Bench 4.0 上取得了 42.3 分。公司对比中，9 月的 V4.1 Flash 模型得分为 31.2。这意味着在 DeepSeek 公布的设置中提升了 11.1 分。

Terminal-Bench 评估在命令行环境中运行的智能体。这些任务不只是编写一个孤立函数。模型必须理解目标、使用工具、浏览文件、执行命令并从错误中恢复。

公司称，它通过 Claude Code 框架测试了 Terminal-Bench 4.0。这一细节很重要，因为智能体框架会塑造底层模型可用的工具、指令和交互循环。

在 DeepSWE v1.1 上，DeepSeek 报告得分从 74.2 上升至 77.0。该评估使用了 Mini-SWE-V2 框架。软件工程基准测试可能对仓库设置、工具权限和允许的尝试次数高度敏感。

ProgramBench 展现出更大的数值跃升，从 20.3 升至 29.1。NL2Repo-Bench 从 65.4 升至 68.2。后者聚焦于将自然语言请求转化为跨软件仓库的变更。

这一模式表明，DeepSeek 的目标是持续性的编程工作流，而非仅仅优化短答案编程。这一区别对于测试智能体处理问题队列、代码审查任务、迁移和调试会话的公司很重要。

智能体基准测试也呈现类似方向。DeepSeek 报告称，其在 Automation-Bench v1.0.6 上取得 60.5 分，前一检查点为 54.8。Agents’ Last Exam 从 31.8 升至 35.4。

公司表格中，Apex Bench v1.1 从 64.6 升至 72.1。DeepSeek 将这些结果作为证据，证明该更新能够处理涉及规划、工具使用和执行的更长序列。

视觉智能体得分也有所提高。使用工具的 Chartography 从 78.9 升至 83.0，BabyVision 从 89.6 升至 92.5。使用工具的 ZeroBench-main 从 49.0 升至 51.0。

DeepSeek 表示，ZeroBench-main 使用了 Pass@5。这一指标允许最多五次尝试，并记录是否至少有一次成功。它不应被直接视为等同于首次尝试成功率。

公司还报告称，在不使用工具的情况下，Humanity’s Last Exam 得分为 42.6。它列出了纯文本子集的 44.0 分，但子集结果不应取代更广泛评估的得分。

在表中公布的每一项与旧模型的对比中，基准测试提升都保持一致。没有任何列出的结果显示 1017 检查点落后于 9 月版本。这种一致性支持了 DeepSeek 的说法：在其选择的评估中，此次更新整体表现更好。

不过，该表未披露若干比较的样本量。它也省略了硬件、token 预算、时间限制、重试预算和推理强度设置。这些变量都会实质性影响智能体评估。

若允许模型进行更多工具调用或使用更多推理 token，它可能完成更严格配置下无法完成的任务。与此同时，它也可能为了获得更高分数而消耗更多时间和资源。

DeepSeek 称，新检查点同时降低了运行时间和输出长度。这一主张至关重要，因为更短的输出可减少应用需要处理的生成文本量。更快完成任务也可改善用户体验和智能体吞吐量。

然而，发布材料并未为任一项降低提供统一百分比。运行时间会因工作负载、基础设施、上下文长度和智能体框架而变化。输出长度则会随提示词和任务复杂度变化。

因此，负责任的解读应当保持克制。DeepSeek 报告称，在其评估框架中取得了更高分数、更快完成速度和更短回答。实际生产环境中的改善程度仍取决于具体工作负载。

更短输出才是真正的竞争压力

DeepSeek 主张，有用的 AI 性能应以每个已完成任务衡量，而不应只看原始智能分数。

DeepSeek 报告，Automation-Bench v1.0.6 从 54.8 升至 60.5，Agents’ Last Exam 从 31.8 升至 35.4，Apex Bench v1.1 从 64.6 升至 72.1。Flash-1017 在这三项测试中均高于表内 Opus 5 的成绩，但各基准衡量的是不同任务集。这些结果支持进一步评估智能体工作流，却不能证明模型可以在不受限制的环境中可靠执行。部署者应在自己的任务上测量成功完成率、总重试次数、工具错误、审核时间和总令牌成本。DeepSeek 建议本次更新使用 Harness 0.2.1-rc.1 或更新版本。

依据 2026 年 10 月 17 日版本的三项不同 DeepSeek 自测智能体基准绘制；得分越高越好。对比表未披露跨供应商的准确推理强度、令牌和时间预算、样本量或测试日期。三项结果不应合并为一个总分。 — 来源

模型买家日益关心，系统能在预算和时间限制内完成多少成功工作流。当模型陷入循环、写出不必要的解释，或反复调用工具时，再高的基准分数都会失去价值。

智能体任务会放大这一问题。编程助手在探索错误路径时可能生成数千个 token，也可能浪费时间反复阅读文件，或尝试无法解决根本问题的修复方案。

DeepSeek 对更短输出的主张直接针对了这种低效。如果 1017 能以更少的生成 token 达到相同或更好的结果，它便可同时降低延迟和运营成本。这比单纯的简洁文风更具影响。

公司将这种变化称为性能与成本之间的帕累托改进。帕累托改进意味着，一个选项在至少一个重要维度上变得更好，同时在其他被衡量维度上没有变差。

在这里，DeepSeek 声称，基准性能更强，同时运行时间更低、输出更短。其论点是，开发者不再需要为了速度或效率牺牲那么多能力。

现有证据支持了 DeepSeek 评估表中的性能表现，但尚不足以完全证明单次成功成本的改善，因为公司尚未公布详细的任务级资源测量数据。

当前 模型规格显示，Flash-1017 保留了现有服务配置。思考模式和非思考模式仍可使用，同时支持工具调用、JSON 输出、视觉能力和兼容的 API 格式。

不变的端点也降低了部署阻力。团队无需重写集成即可测试新行为。这一优势可加速采用，尤其是对于已在使用 DeepSeek Flash 的开发者。

但这也带来了运营风险。围绕稳定语气、输出结构或拒答行为构建的应用，可能会对持久名称背后悄然发生的检查点变更产生不良反应。只要托管模型在不变名称背后发生变化，回归测试就变得至关重要。

对于围绕高端可靠性销售的编程平台而言，直接压力将落在其模型上。DeepSeek 的表格将 1017 与 K3、GLM-5.3、GPT-5.6 Sol 以及名为 Opus 5 的模型进行了比较。

这些标签必须完全按 DeepSeek 提供的方式报告。该表并未评测每家公司的所有当前模型。其中的 Opus 5 标签不应被悄然替换为其他 Anthropic 版本。

在 DeepSWE v1.1、Automation-Bench、Agents’ Last Exam 和 Apex Bench 上，DeepSeek 的这一检查点优于表中作为参照的 Opus 5；但在 Terminal-Bench、ProgramBench、NL2Repo-Bench 以及列出的三项视觉测试中落后于该参照。

这一混合结果比简单宣称胜出更具参考价值。DeepSeek 在多项智能体评测中表现出很强的竞争力，但该厂商自己的表格并未显示其在所有类别中领先。

竞争对手面临的压力来自这一组合。DeepSeek 将可获取的权重、稳定的 API 接入路径、大上下文窗口、多模态输入以及不断提升的智能体分数结合在一起。每一项特性都会扩大愿意测试它的团队范围。

9 月发布的版本已将效率定位为架构目标。DeepSeek 表示，V4.1 Flash 的键值缓存仅使用了四分之一的高带宽内存和八分之一的固态存储空间。

键值缓存会保存推理过程中生成的信息，使模型无需为每个新 token 重新计算全部内容。更小的缓存可以降低长提示词和重复智能体交互带来的内存负担。

这些架构声明适用于 V4.1 Flash 这一模型家族。10 月版本的重点在于，DeepSeek 称后训练让现有设计更加有效；它并未随 1017 发布另一项缓存重构。

这一差异对采购方很重要。架构能够解释模型为何可能具备较低的服务成本；检查点行为则决定它能否准确、高效地完成采购方的实际任务。

因此，评估此次更新的团队应衡量已完成的工作，而不只是生成的 token 数量。他们应在具有代表性的工作流中跟踪成功的变更、被接受的输出、人工修正、耗时和重试次数。

这种评估可以纳入更广泛的 AI workflows。关键在于保留提示词、源材料、输出和审核决策，以供后续比较。

基准测试表无法证明什么

DeepSeek 的数据是其工程发展方向的有意义证据，但并非对生产环境可靠性的独立确认。

视觉工具测试有所提升，但并非全面领先。Chartography 从 78.9 升至 83.0，BabyVision 从 89.6 升至 92.5，ZeroBench-main 从 49.0 升至 51.0。来源中 Opus 5 的对应得分仍更高，分别为 84.0、94.1 和 52.0。这些测试允许调用工具，因此不能将其解释为仅凭图像输入的原始识别准确率。ZeroBench-main 使用 Pass@5，允许多次尝试，不能把该结果当作首次尝试的可靠性。视觉智能体在执行影响重大的操作时，仍需要适当的工具权限、错误恢复和人工审核。

DeepSeek 于 2026 年 10 月 17 日版本公布的工具辅助视觉测试；得分越高越好。ZeroBench-main 为 Pass@5。原表未披露其他重试限制、样本量、不确定性区间、匹配预算或测试日期。 — 来源

主要限制在于来源独立性。DeepSeek 发布了比较，并选择受测模型、基准、评测框架和配置。本次为本文核对的第一方资料没有提供针对确切 1017 检查点的独立复现结果。

这并不意味着这些分数是虚假的。模型发布后，厂商评测往往是最先可获得的证据。它们能够表明一家公司投入了哪些方向，以及预期改善哪些工作负载。

但它们无法裁定所有比较。与标准问答测试相比，智能体基准包含更多可变因素。框架的系统提示词、工具、超时设置、沙箱和重试逻辑都可能改变最终分数。

DeepSeek 披露了部分条件。Terminal-Bench 使用 Claude Code，DeepSWE 使用 Mini-SWE-V2，ZeroBench-main 使用 Pass@5。该公司还建议使用 DeepSeek Harness 0.2.1-rc.1 或更高版本。

这一建议表明，测试框架集成是性能表现的一部分。DeepSeek 表示，它已针对自家的测试框架、Tencent CodeBuddy、WorkBuddy 及其他平台优化该模型。

模型和测试框架的改进都具有合理性。然而，采购方需要了解这些增益能否跨环境迁移。围绕某一智能体循环调优的检查点，在另一家公司的编排层中可能表现不同。

未披露推理设置也增加了不确定性。DeepSeek 支持多种思考强度级别，这会影响一次请求获得多少内部计算。更高的设置可以改善结果，但也可能增加延迟或 token 使用量。

硬件细节同样会影响速度声明。托管服务上的运行表现并不能直接等同于自托管推理。网络开销、批处理、量化和加速器选择都可能主导观测到的延迟。

开放权重使这些问题能够被测试，但自托管并不会自动变得简单。一个拥有 5520 亿参数的骨干网络，即便每个 token 只激活其中一部分网络，仍会带来严苛的存储和内存需求。

量化通过以更低数值精度存储权重来减少内存占用。它可以让部署更具可行性，但结果可能不同于官方检查点配置。团队应在任何转换后验证准确性。

安全性是另一个生产环境层面的担忧。编程智能体通常会读取代码库、执行命令、安装软件包和修改文件。更高的基准分数并不能证明模型能够安全地获得广泛权限。

组织应隔离智能体工作、限制凭据、记录工具调用，并对敏感变更要求审核。这些控制措施适用于每一种编程模型，无论其基准排名如何。

同样的谨慎也适用于百万 token 上下文窗口。支持大上下文并不保证能从每个位置可靠检索信息。长提示词可能引入干扰、冲突指令和不必要的处理。

DeepSeek 的原生视觉支持也早于 10 月更新。更高的视觉智能体分数表明其对此能力的使用有所改善，但并不能证明它在图表、界面、文档和自然图像中的可靠性同样出色。

历史背景进一步说明为何需要审慎表述。DeepSeek 的 V4 发布受到关注，是因为它将大上下文支持与注重效率的架构结合在一起。早期报道引用的独立分析人士认为，这一模型家族能够与领先的美国模型竞争。

这种更广泛的竞争力并不会自动验证新检查点的确切改进。1017 权重需要独立测试，尤其是在接近真实部署的工作负载上。

务实的评估应在相同提示词和工具条件下比较两个检查点，并保留温度、思考强度设置、超时、重试次数和代码库状态。

评审者还应在排除冗长表达带来的优势后，对输出质量进行评分。更短的答案在保持完整时才有价值；若遗漏测试、注意事项、迁移步骤或失败原因，它就构成了退步。

对于知识工作而言，简洁也可能带来类似取舍。简短摘要能减少阅读时间，但压缩后的答案可能掩盖不确定性，或舍弃少数证据。对影响重大的决策，人工审核仍然必要。

因此，恰当的怀疑应当具体明确。DeepSeek 已发布可信的第一方改进证据，但尚未证明其在独立生产环境中具备普遍的速度提升、更低的总任务成本或更高的可靠性。

三个信号将揭示 Flash-1017 是否改变市场

独立复现、跨测试框架表现和持续的开发者采用，将决定 1017 是否会超越一次强劲的厂商基准发布。

10 月 17 日的更新替换了 deepseek-flash API 别名实际调用的模型检查点，价格保持不变。截至 10 月 19 日核查，每百万 Flash 令牌的非高峰价格为：缓存输入 0.003 美元、未缓存输入 0.15 美元、输出 0.60 美元；高峰价格分别为 0.006、0.30 和 1.20 美元。假设一个任务使用 100 万未缓存输入令牌、400 万缓存输入令牌和 100,000 个输出令牌，仅模型令牌费用为非高峰 0.222 美元或高峰 0.444 美元。该计算不含搜索和抓取费用、基础设施、重试或人工审核。较短输出可以降低输出费用，但 DeepSeek 关于速度和成本的主张并不意味着每种工作负载都能节省固定比例的成本。

官方 Flash-1017 价格表，核查于 2026 年 10 月 19 日，单位为美元/百万令牌；费用越低越便宜。高峰时段为工作日 UTC 01:00–04:00 和 06:00–10:00，中国法定节假日除外。模型令牌价格不含搜索、抓取和其他运营成本。 — 来源

第一个信号是对确切 1017 检查点的独立评估。研究人员需要测试已发布的权重，而不是 9 月模型或版本不明的托管别名。

这些测试应公布提示词、测试框架版本、思考强度设置、硬件、时间限制和重试策略。结果应包括准确性、耗时、输出 token 数和任务失败行为。

若结果与 DeepSeek 报告的趋势相符，将加强该公司的论据。大幅退步或高度依赖配置的提升则会削弱它。混合结果将表明，1017 对某些智能体循环的帮助可能大于其他循环。

第二个信号是跨多个测试框架的表现。DeepSeek 专门针对选定平台进行了优化，因此可移植性成为核心问题。该模型应能在其他编程智能体和企业编排系统中保留其提升。

跨测试框架测试能够将模型改进与集成改进区分开来。两者都有价值，但回答的是不同的采购问题。

采用 DeepSeek Harness 的公司可以从组合系统中受益。保留既有内部智能体的公司，则需要证据证明仅检查点本身就能改善其工作流。

应关注第三方测试是否能在不改变工具访问权限的情况下复现 Terminal-Bench 的提升；也应关注当另一框架使用不同系统提示词时，更短的输出是否仍保持完整。

持续一致的增益将支持 DeepSeek 关于底层检查点得到改善的主张。若增益仅限于其偏好的测试框架，集成选择将成为决策中更重要的一部分。

第三个信号是初始发布周期结束后的持续开发者采用。下载量、集成、可复现测试和生产案例研究，比发布当周的关注度更重要。

MIT 许可的权重降低了试验的法律摩擦。然而，该模型的规模提高了严肃自托管所需的基础设施门槛。许多团队仍会选择托管访问或专业推理服务商。

因此，采用情况应通过两条路径衡量。托管使用情况反映 API 体验是否具有吸引力；自托管部署则显示开放访问是否为有特殊要求的组织创造了实用替代方案。

留存比试用更重要。开发者经常测试新模型，因为切换 API 标识符很容易。只有当一个模型能改善被接受的工作成果，同时不增加新的审核负担时，他们才会继续使用它。

短期内更可能出现的是更广泛的测试，而非立即的市场重组。DeepSeek 已为编程智能体团队提供了重新运行评估的具体理由。其报告中最显著的增益与开发者本就难以可靠自动化的任务相吻合。

竞争对手仍可通过更好的模型、更强的智能体框架、更低延迟、更安全的执行或更可预测的行为作出回应。DeepSeek 自己的表格显示，1017 检查点并未在每项比较中领先。

此次发布也展示了更快的竞争节奏。9 月发布了重大架构，五周后又推出了聚焦行为的检查点。稳定的 API 路由让 DeepSeek 能够立即分发这一改进。

当更新带来可衡量的提升时，这种节奏会让用户受益；当行为变化速度快于企业评估周期时，它也会使治理更复杂。团队需要版本记录和定期回归测试套件来管理这两方面影响。

对开发者而言，决策很直接：将 DeepSeek-V4.1-Flash-1017 与用户实际执行的具体任务进行测试。衡量被接受的结果、重试次数、延迟、输出长度和人工修正。

企业采购方应要求供应商提供检查点标识符和变更通知。在将任何基准领先视为采购结论之前，他们还应要求可复现的评估条件。

知识工作者应关注更短的回答是否保留了证据和细微差别。若之后还需要有人重建缺失的推理，更快的回答几乎没有价值。

DeepSeek V4.1 Flash 更新已经改变了比较范围。它在保持相同访问路径和模型家族的同时，提高了前一检查点的编程和智能体分数。

下一步如何发展，取决于 DeepSeek 实验室之外的证据。进行受控比较，保留完整评估记录，并关注独立测试是否能够复现其所宣称的准确性、速度和简洁性组合。