DeepSeek V4.1-Flash-1017实测：11项基准全涨，DeepSWE冲到77分，编程Agent的性价比账本要重算

10月17日，DeepSeek悄悄放出一个新版本：V4.1-Flash-1017。没有发布会，没有预热长文，网页端、App和API直接切换，API模型名仍然是`deepseek-flash`。官方对这次更新的定位是”性能与成本的帕累托改进”——分数全涨，价格不变。

实测数据出来后，开发者圈炸了锅：11项公开基准全部上涨，其中DeepSWE v1.1拿到77.0分，超过Claude Opus 5的74.0。一款主打低价的Flash模型，在仓库级编程任务上反超了旗舰。这篇文章把数据、价格、选型三笔账一次算清。

11项基准全涨，涨幅最高11.1分

先看官方模型卡公布的对比表（1017版 vs 9月发布的原版）：

| 评测 | 1017版 | 原版 | 涨幅 |

| — | — | — | — |

| Terminal-Bench 4.0 | 42.3% | 31.2% | +11.1 |

| DeepSWE v1.1 | 77.0% | 74.2% | +2.8 |

| ProgramBench | 29.1% | 20.3% | +8.8 |

| Apex Bench v1.1 | 72.1% | 64.6% | +7.5 |

| Automation-Bench v1.0.6 | 60.5% | 54.8% | +5.7 |

| HLE（全量，无工具） | 42.6% | 36.8% | +5.8 |

几个数字值得展开。Terminal-Bench 4.0测的是自主开发与终端任务，1017版用Claude Code作为执行框架，得分42.3%，排进榜单前25。DeepSWE v1.1测仓库级修复，1017版排第4/101，官方同表里GLM-5.3只有66.9%。NL2Repo-Bench拿到68.2%，排第2/19，这个测试专门衡量”一句话让模型改整个仓库”的能力。

技术原因官方说得很简短：用基于自反馈的强化学习改善完整项目开发。翻译过来，模型自己跑任务、自己评分、自己改训练数据，迭代方向直指”把一个项目从头做完”。官方展示的两个案例是游戏开发和3D建模，针对DeepSeek Harness、CodeBuddy、WorkBuddy做了专项优化。

价格还是那个价格：1美元能买130亿Token

1017版定价完全没动。空闲时段输入$0.15/百万Token、输出$0.60/百万Token；高峰时段翻倍，输入$0.30、输出$1.20。人民币报价更低：空闲时段输入1元、输出4元。缓存命中只要$0.003/百万Token。

对比国际旗舰，这个价差在10倍以上。更狠的是算力端账本：前代V4.1 Flash-0910在SemiAnalysis AgentX基准测试（GB300 NVL72、Dynamo vLLM平台）跑出1美元13亿Token的成绩，单任务成本只有Fable、Astra这类旗舰模型的1/50到1/100。1017版输出更精简、任务耗时更短，这个比例大概率还在改善。

开源条件同样没变：MIT许可，权重挂在Hugging Face，免费商用。想自部署的团队可以直接拉权重，不需要看任何API的脸色。

架构底子：552B骨干，1M上下文

V4.1系列的技术报告给出了核心参数：552B骨干参数的MoE架构，预填充阶段约激活8B，解码阶段约激活16B。Causal Encoder-Decoder结构大幅压缩了KV Cache，这是长上下文便宜的根基。

上下文长度1M Token，最大输出384K。1M上下文意味着什么？一次塞进一个中型代码仓库加全部文档，让模型通读后再动手改。128K代码库问答的实测里，答案准确率保持稳定。原生多模态支持图文输入，Chartography图表理解83分，BabyVision视觉推理92.5分。

需要注意，552B是骨干参数口径，Hugging Face页面显示的约763B包含视觉模块和嵌入，两个数字统计口径不同，选型时别搞混。

三笔账帮你做选型决策

成本账。 高并发场景（批量生成测试用例、CI/CD里的自动修复、日志分析），1017版几乎没有对手。同样预算下可跑的任务量是旗舰模型的几十倍，峰值价格也只有旗舰的零头。

能力账。 仓库级修复（DeepSWE 77.0）、办公自动化（AutomationBench 60.5，排第1/29）已经摸到旗舰水平。短板也存在：Terminal-Bench 4.0上Opus 5拿51.8%，比1017版高9.5分。极端复杂的跨系统任务，旗舰依然更稳。

迁移账。 API模型名不变，原有`deepseek-flash`调用自动升级到1017版，代码零改动。已用DeepSeek Harness的团队需要升到0.2.1-rc.1以上。一个提醒：通过Harness、Claude Code、Codex的服务端工具调用目前免费，11月1日起开始计费，成本模型里记得加上这一项。

结论：Flash模型的天花板又高了

V4.1-Flash-1017证明了一件事：低价模型和旗舰模型的差距，正在从”全面落后”收缩到”特定场景落后”。11项基准全涨、单任务成本做到旗舰1/50、MIT权重随便部署，这套组合对预算敏感的开发团队足够有杀伤力。

建议的落地路径很清晰：日常编程、代码审查、批量自动化任务直接切1017版；架构级重构和高难度算法设计留给旗舰模型；两条腿走路的混合方案，总成本能压到纯旗舰方案的五分之一以下。正式数据之外，官方自报成绩尚缺独立复测，关键业务上线前自己跑一轮评测，这一步省不得。