DeepSeek V4.1 再更新：性能直逼Opus5.5，单价不变，真正的看点是什么？|deepseek|显式标识|算法|编程|调用

来源：市场资讯

（来源：机器学习算法那些事）

AI 技术观察｜2026 年 10 月 18 日

DeepSeek V4.1 再更新：性能上涨，单价不变，真正的看点是什么？

从官方跑分到社区实测，读懂 V4.1-Flash-1017 的能力与成本

AI 的价值，最终要落在一件事上：花多少时间、多少钱，交付一个能用的结果。

DeepSeek V4.1-Flash-1017 更新解析｜资料截至北京时间 2026 年 10 月 18 日。

DeepSeek 又更新了。这次的完整名字是 DeepSeek-V4.1-Flash-1017，官方更新日期为 2026 年 10 月 17 日。网页端、App 和 API 已同步切换，开发者仍通过 deepseek-flash 调用，模型单价保持不变。〔官方更新日志〕

一个容易混淆的细节是：V4.1 Flash 在 9 月 10 日就已发布，原生视觉理解等能力也已具备。这次讨论的重点，是 1017 版本带来的进一步提升。〔9 月首发说明〕

把新旧数据、官方展示和早期社区测试放在一起看，我的判断是：这次升级最值得关注的方向，是让 AI 更有效地执行完整任务。它能否让一个项目少返工几次，比一句笼统的“智商更高”更有实际意义。

本文为公开资料分析，未进行作者独立跑测。官方自报结果、社区小样本结果与分析判断分别标注；配图按已核对的数据重绘。

PERFORMANCE

提升最明显的地方，在编程与任务执行

先看最直接的证据。官方新旧版本对照中，Terminal-Bench 4.0 从 31.2 升至 42.3，增加 11.1 个百分点；ProgramBench 从 20.3 升至 29.1，增加 8.8 个百分点。这两项编程相关评测的变化尤其显眼。〔1017 官方模型卡〕

图 1｜同一张官方对照表中的新旧结果。各项评测分别阅读，不把不同测试的分数合成总分。数据来源：DeepSeek 1017 官方模型卡。〔1017 官方模型卡〕

这里要把百分点与相对增幅分清楚：31.2 到 42.3，是提高 11.1 个百分点，按旧值计算约增长 35.6%。但不能据此说“模型整体变强了 35.6%”，更不能推导成“所有工作快了 35.6%”。这只是某一项评测的变化。

同表中的 DeepSWE v1.1 从 74.2 到 77.0，提升幅度相对温和。它提醒我们：这次进步并不均匀。某些任务跨过了更明显的门槛，某些原本表现较好的任务继续改善。〔1017 官方模型卡〕

官方横向比较也呈现出各有胜负的局面。例如，1017 在 DeepSWE v1.1 上为 77.0，表中 Opus 5 为 74.0；而 HLE 无工具测试分别为 42.6 与 56.3。这样的证据支持“部分任务竞争力很强”，还不足以支持全场景第一。表中的对手版本和测试设置也限定了结论的适用范围。〔1017 官方模型卡〕

评测口径：Terminal-Bench 4.0 使用 Claude Code 框架，DeepSWE v1.1 使用 Mini-SWE-V2。图中 HLE 为无工具口径；Automation-Bench 为 v1.0.6。这里的分数不能与其他版本测试集、不同框架或不同重试设置直接混比。〔官方更新日志〕〔1017 官方模型卡〕

AGENT WORKFLOW

“许愿式编程”，真正难在后半程

官方这次展示了故宫 3D 建模、网页版赛车游戏等项目，并将完整项目开发能力的改善与基于自反馈的强化学习联系起来。这些示例在 DeepSeek Harness 环境中完成，代表的是模型与工具环境共同呈现的效果。〔1017 发布说明〕

为什么这件事值得关注？因为写出第一版代码，只是开发的起点。把依赖装好、让程序运行、发现错误、修复问题、检查交互，才决定用户拿到的是一段代码，还是一个能用的东西。

图 2｜完整任务需要反复执行、检查与修正。此图为本文的工作流程示意，并非 DeepSeek 内部训练流程披露，也不表示模型每次都能自动完成全部环节。

可以把 Harness 理解成 AI 的工作台：它把文件读写、命令执行等工具交给模型，并组织任务上下文。模型负责判断，工具环境负责把动作落地，二者配合得好，执行过程才可能更顺畅。

这也解释了官方为什么强调对 DeepSeek Harness、CodeBuddy、WorkBuddy 的优化，并建议将 DeepSeek Harness 升级至 0.2.1-rc.1 或更高版本。使用体验与模型版本和框架版本的组合有关。〔1017 发布说明〕

不过，漂亮的项目演示还不能告诉我们失败率、修复次数和长期维护成本。“许愿式编程”降低了表达想法的门槛，验收标准仍要有人定义：按钮是否可用、数据是否正确、异常输入会不会让程序崩溃，都不能只凭演示画面判断。

TASK ECONOMICS

单价没降，为什么仍可能更省钱？

官方表示，新版在提高成绩的同时，缩短了任务运行时间和输出长度。它所说的“性能—费用帕累托改进”，放到使用者的语境里，就是希望同样的预算能完成更多事。这仍是特定测试条件下的官方结论，不是每个请求都会变便宜的承诺。〔1017 发布说明〕

对长期运行的 Agent 而言，一次任务可能读很多轮上下文、调用多种工具，并经历失败重试。真正需要核算的是每个验收合格结果的总成本：输入输出、工具调用、失败尝试，以及人工修正时间，都应算进去。

图 3｜应按“交付一个合格结果”核算成本。图中模型价格来自 2026 年 10 月 18 日官方价目表；成本公式为本文分析框架，不是对新版节省比例的预测。〔官方价目表〕

一个直观的假设例子：两套方案各执行 100 个任务。方案 A 总共花 100 元、交付 50 个合格结果，平均每个结果 2 元；方案 B 花 120 元、交付 80 个，平均每个结果 1.5 元。总支出更高，也可能更划算。这些数字仅用于解释算法，与 DeepSeek 实测无关。

截至查阅时，Flash 每百万 token 的空闲／高峰价格分别为：缓存命中输入 0.02／0.04 元，未命中输入 1／2 元，输出 4／8 元。缓存、输出长度和峰谷时段都会影响账单。尤其不能把极低的缓存命中价，套用到全部输入或输出上。〔官方价目表〕

SEARCH & FETCH

搜索接口开放，补上实时信息这一环

与模型更新一同公布的，还有 Search 和 Fetch 接口：前者按查询词找网页并返回结构化结果，后者抓取单个网页并返回正文。它们可以为 Agent 和检索增强应用提供实时网页内容。〔搜索与抓取文档〕

从应用开发角度看，这让“提出问题—找资料—阅读原文—执行任务”的链条更容易搭建。但搜索结果仍需要核对，抓取也受目标网站可用性与访问策略影响。能联网，不等于答案自动正确。〔搜索与抓取文档〕

这里有一项容易被“价格不变”掩盖的变化：Search 和 Fetch 各按每千次成功请求 5 元计费。官方还明确，DeepSeek Harness、Claude Code、Codex 中经服务器端工具调用访问这些接口的相关调用，将从北京时间 2026 年 11 月 1 日 00:00起开始收费。〔搜索与抓取文档〕

所以，模型单价不变与工具另行计费可以同时成立。对大量检索的工作流，搜索与抓取费用应单独预算。此外，1017 的模型权重已发布，官方模型卡标注 MIT 许可；这给部署和研究提供了选择，但实际运行仍需要相应的计算资源。〔1017 官方模型卡〕〔搜索与抓取文档〕

EARLY EVIDENCE

社区已经有好评，证据要看细节

官方之外，也已经出现了可追溯的早期测试。开发者 Ibragim Badertdinov 公布了一套来自日常工程工作的个人评测：10 个任务，每种配置各运行 3 次。他的页面明确说明，这不是通用的“最强编程模型”排名。〔社区原始评测〕

图 4｜社区小样本测试的两种配置。两者使用 Pi 框架，但思考档位不同，因此展示的是配置组合的效果，不能把变化全部归因于模型升级。美元费用按作者披露值列示。〔社区原始评测〕

在这组测试中，1017 的 high 配置完成了全部 30 次运行；旧版 max 配置的 pass@1 为 93.3%。新版每任务平均耗时也从 4 分 30 秒缩短到 2 分 38 秒，任务费用却从 0.0425 美元略升至 0.0450 美元。速度、通过情况和费用，没有沿着同一个方向变化。〔社区原始评测〕

这是一条积极信号，也是一堂很好的评测课：小样本、任务难度、思考档位、缓存命中率，都影响结果。30 次通过不能保证复杂项目稳定通过；新旧档位不同，也无法单独量出模型本身的增益。

作者还测试了新版 low 档位：在 Pi 框架里 pass@1 为 90%，在 DeepSeek Harness 中为 96.7%。这进一步说明工具环境会影响最终表现。把模型名相同的两段体验直接拿来争论谁对谁错，往往会漏掉这些条件。〔社区原始评测〕

WHAT TO TEST

普通用户和开发者，该怎样判断值不值得用？

如果主要用它写文章、做总结、分析材料，可以选三件自己熟悉的工作试一遍：一份有数字的长材料、一张需要解释的图表、一个有明确风格要求的写作任务。重点看事实是否准确、要求有没有漏、需要改几轮。编程跑分不能替代你的写作体验。

如果用它开发软件，建议拿一个真实的小项目做对照，固定任务说明、工具权限、框架版本和预算。把测试通过、功能完整、人工接手次数、总耗时、总费用放进同一张记录表，而不是只比较第一屏代码写得多快。

对团队来说，可以先让它承担边界清晰、容易验收的任务，例如修复已有测试覆盖的问题、制作交互原型、编写数据处理脚本。根据实际验收结果逐步扩大使用范围，才能知道这次升级的收益落在哪里。

这次更新值得认真试。最终的判断标准，是你的工作有没有更快完成，以及完成后还要花多少力气收拾。

我的判断是，1017 提供了一个明确的进步信号：官方编程与 Agent 评测上涨，早期社区样本也出现了更好的完成表现。接下来最值得追踪的，是这种改善能否在更多真实任务中稳定复现，并降低每个合格结果的成本。

资料与图表来源

1．DeepSeek 官方更新日志｜2026-10-17

2．DeepSeek V4.1 Flash 首发说明｜2026-09-10