成本不到旗舰四成!新版DeepSeek发布,这是迄今为止最好的开源模型吗?

DeepSeek发布V4.1-Flash-1017,价格不变。实测显示其小任务成本仅为旗舰模型四成,但耗时翻倍;跑分依赖评测框架与采样口径,缓存收益限于长会话。幻觉修正、延迟语境与低价竞争是三个未闭合缺口,真实上限仍需完整项目验证。

成本降到四成,耗时多出一倍

DeepSeek于2026年10月17日发布V4.1-Flash-1017,网页端、App与API同步切换,API模型名仍为deepseek-flash,调用方式与价格不变。同日开放Search/Fetch API,按成功请求计费,每1000次5元,空结果与失败请求不计费。

同样把10项编程任务全部做对,DeepSeekV4.1-Flash-1017的花费不到Claude Opus 5.5的四成,耗时则多出一倍有余。

10月17日,DeepSeek将V4.1Flash原地升级至1017版本。

这不是一款独立新模型,底层MoE架构与参数量保持不变,升级内容集中在能力微调与Agent专项强化学习优化,因此没有新模型名,也没有迁移成本,配置文件里写着deepseek-flash的开发者,无需改动代码即可用上新版本。官方称之为性能与费用之间的帕累托改进,基准分数上升的同时,任务运行时间与输出长度均在收缩。

图片

数据层面,DeepSWE v1.1从74.2升至77.0,Terminal-Bench 4.0从31.2升至42.3,ProgramBench从20.3升至29.1。两个仓库级指标同样上行,NL2Repo-Bench从65.4升至68.2,Automation-Bench v1.0.6从54.8升至60.5,后者为官方对比表中六款模型的最高值。权重延续原有MIT协议,同步发布至Hugging Face与ModelScope。

图片

▍价格优势成立,速度优势缺席


开发者Ibragim Badertdinov从自己三个月的智能体使用记录中抽取10项任务,在同一套编程工具内让三款模型各运行三遍。

结果是全部通过,但运行方式差异明显。

DeepSeek

0.045美元

耗时2分38秒

Claude Opus 5.5

0.1168美元

耗时37秒

GPT-6 Astra

约0.26美元

耗时55秒

费用差距主要来自缓存。

DeepSeek的输入缓存命中率达到 97.9% ,低价缓存输入将约54.7万token的总用量压在每项5美分以内。

模型卡标注100万token上下文窗口,支持分档调节思考强度,这一规格与Agent多轮迭代中历史提示词的高度复用直接相关。缓存收益因此是模型侧架构演进与调用侧复用模式的叠加,而非单纯的接口缓存策略。

这一命中率来自多轮会话的Agent场景,短单次独立调用下缓存收益会明显缩水。

另一方面,DeepSeek平均每项任务使用15.3步,Opus为3.7步。步骤多、token多、耗时长,是思考时间延长的直接侧写,属于明确的权衡而非缺陷。

将推理档位调低后,耗时从2分38秒降至1分31秒,费用从0.045美元降至0.0257美元,但30次运行中有3次未通过。 成功率对思考强度的敏感程度,高于跑分表的呈现。 

▍单次生成的惊艳与持续交付的距离


本次更新官方重点展示了许愿式编程能力,训练方法为基于自反馈的强化学习,目标是让模型在提示词与素材参考有限的条件下从零构建可运行项目。

模型保留原生视觉输入能力,官方演示包含网页赛车游戏与3D场景重建,模型卡中Chartography、BabyVision等视觉基准成绩同步上升。

开发者Fabiano Firmo使用Three.js生成宝马M5的3D模型,单次提示,花费0.38美元,耗时1小时10分钟,成品包含可交互的配色选项。

同一模型执行普通落地页任务时,运行41分钟,后续两项网页任务分别耗时43分钟与40分钟。有开发者反馈模型能力充足、费用合理、演示效果良好,但交互式开发场景下的等待成本明显。官方口径中的更快完成任务,与部分开发者的实际体感存在差异。

单次生成的惊艳,与持续交付的稳定,中间隔着的是整个验证周期。

▍跑分依赖配置,分数不等于能力


Terminal-Bench 4.0使用Claude Code harness测试,DeepSWE v1.1使用Mini-SWE-V2。同一模型在不同agent框架下的结果可相差数分,因此跨框架的分数不能直接横向对比。

官方表中DeepSWE v1.1为Pass@1,ZeroBench-main为Pass@5,不同采样策略下的分数不能直接拼接排名。代码Agent的跑分高度绑定评测框架、采样参数与验收脚本,单一数字不代表真实项目能力。

harness本身正在从评测工具演变为运行环境。

DeepSeek Harness提供文件读写与终端沙盒执行,模型可以在其中获取真实报错并回滚修改,这解释了1017快照在Harness中比第三方工具多通过两次边界检查、token用量增加约75%的现象。官方明确针对DeepSeek Harness、腾讯CodeBuddy、WorkBuddy做了优化,并建议Harness用户升级至v0.2.1-rc.1以上版本。

 模型竞争的重心,正在从单项能力转向与工具链的耦合程度。 

第三方开发者需要意识到测试所得结果对应的是特定配置下的模型表现。

图片

▍三个尚未闭合的缺口


在小任务层面,差距已经明显收窄。

在完整项目层面,差距以另一种形态继续存在。

第一是幻觉与长链路修正。跨文件重构与架构级修改中,多位开发者仍倾向于引入第二个模型做交叉验证,而非让模型自行确认自身改动。这属于跑分无法覆盖的信任成本。

第二是延迟的语境差异。2分38秒对异步任务可以接受,对改完立即验证的交互式开发则构成明显摩擦。反向看,在高并发的批量离线任务中,高吞吐会将单任务耗时转化为总成本优势,第三方serving测试已给出百万token级吞吐数据。延迟是短板还是取舍,取决于负载形态。

第三是竞争格局变化。GPT-6 Luna与Haiku 5.5在同一套测试中同样全部通过,单项费用分别低至0.0145美元与0.0208美元,低于DeepSeek。当低价不再是独占标签,竞争将回到完成质量本身。

▍结语


V4.1-Flash-1017是一次扎实的更新。它验证了多算一会儿、少收一点在旗舰模型以秒计费的赛道上依然成立,也显示DeepSeek对agent技术的理解在加深。Search与Fetch API独立计费,检索返回内容计入上下文token消耗,意味着检索、分析、交付的完整链路正在被纳入统一的计费体系。

与顶级模型的距离,不取决于下一次发布的演示,而取决于三个尚未回答的问题。完整项目中需要多少次人工纠正,出了问题能否自行修复,单次生成的惊艳成果能否在持续维护中保持稳定。

基准提供方向,价格提供下限,
真实的上限,要用一个真实的仓库去验证。

数据截至2026年10月19日,基准与价格以DeepSeek官方页面为准。


- END -

本文来源于DOIT传媒,文章内容仅供参考,不构成投资建议。

赞 ()

相关推荐

发表回复

评论列表

点击查看更多

    联系我们

    微信:百易小助手

    邮件:contact@doit.com.cn

    工作时间:周一至周五,9:30-18:30,节假日休息

    微信