DeepSeek-V4.1-Flash-1017：45 到 46 的猜测、三句话更新日志，以及两个排行榜共有的那一行

DeepSeek-V4.1-Flash-1017 是真实存在的，而且才发布一天。你可以阅读日期为 2026-10-17 的更新日志条目，从 Hugging Face 下载采用 MIT 许可的 7630 亿参数权重，并立即调用它——在未更改的 deepseek-flash 模型字符串下，按未更改的价目表。你无法做的是查询它排在何处。在 DeepSeek V4.1 Flash 的更新发布后的第二天，关于它最有实质内容的帖子并不是结果——而是一个猜测。一位密切跟踪该实验室的人认为，该模型最终在 Artificial Analysis Intelligence Index 上的得分会是 45 到 46，预测 Grok 4.7 是它勉强超过的数值，而 AA-Omniscience 是让它败下阵来的评测，并给出 57% 作为 Vals Index 上的合理预期。这些数字中的每一个，都是对一个上面还没有 1017 行的排行榜的预测。发布是事实。排名是押注，而有趣之处在于，为什么今天没人能确定它。

10月17日究竟上线了什么？

一手来源很短。DeepSeek 2026-10-17 的更新日志条目称，V4.1 Flash“已升级为 DeepSeek-V4.1-Flash-1017”，网页版和应用版模型也随之一同迁移，“API 调用方式和定价保持不变”，并且对deepseek-flash的调用会到达最新模型。这就是规范层面的全部说法。对应的代码仓库 DeepSeek-V4.1-Flash-1017 创建于 10 月 17 日 02:40 UTC，最后修改于同日 05:46 UTC；其 safetensors 索引总计 763,205,315,794 个参数，涵盖 BF16、F32、F8_E4M3 和 I8 张量类型。许可证为 MIT。它不涉及任何泄露。

更新日志新增了三项并非数字的内容。它将此次更新称为“性能—成本帕累托改进”。它列出了调优时所针对的测试框架——D​eepSeek Harness、T​encent CodeBuddy 和 WorkBuddy——并告知用户迁移到 D​eepSeek Harness 0.2.1-rc.1 或更高版本。它还展示了四个项目演示，均以动画形式呈现：故宫的 3D 模型、一款浏览器赛车游戏、用 Godot 重制的《传送门 2》，以及一个名为“Valley of Ages”的 3D 场景。这些都是营销物料，而不是测量数据；也正因如此，本文才将它们与分数放在不同的段落中。

什么没有改变，和什么发生了改变一样关键，因为正是这部分与金钱挂钩：

• 价目表——保持不变。缓存命中输入在高峰时段为每百万个 token 0.006 美元，非高峰时段为 0.003 美元；缓存未命中输入为 0.30 / 0.15 美元；输出为 1.20 / 0.60 美元。高峰时段指 UTC 时间周一至周五 01:00–04:00 和 06:00–10:00，中国法定节假日除外。

• 模型字符串 — 未更改。deepseek-flash 现在解析为 1017 检查点。已弃用的名称 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 仍被接受，并且仍会路由到它，按 Flash 费率计费。

• 信封 — 在卡片层级保持不变。100 万 token 上下文窗口，max_tokens 为 256K 或以上，建议 temperature 为 1.0、top_p 为 1.0。

• 打包瑕疵——同样未变。仍然没有 Jinja 聊天模板。仓库随附 encoding/encoding.py 作为参考实现，涵盖多轮对话、工具调用、思考模式、数值化推理强度、对话中途的系统消息以及交错图像，并引导生产用户使用 deepseek-recipe——一个带 Python 绑定的 Rust 库。

1017 卡片并未重述架构。该系列的形态——552B 主干、一个拆分为 20 层因果编码器和 20 层解码器的因果编码器-解码器、预填充期间非对称激活 8B 参数、解码期间激活 16B 参数、384 个路由专家且每个 token 激活 6 个、CSA2 注意力、FP4 主 KV 缓存，以及 196B Engram 条件记忆——来自九月的卡片、题为 将 KV 缓存压缩推向极限 的技术报告，以及模型卡片自身的引用。想要这些数字的读者应从九月文档中获取，而不是从一份从未声称这些数字的 1017 页面中获取。

十一行供应商记录，以及索引实际读取的那一行

厂商基准表是本次发布中唯一可比的产物，它在变更日志上以图片形式发布，在模型卡上则以 markdown 表格形式发布。从模型卡读取，1017 列对 September 列：HLE 无工具 42.6（纯文本子集为 44.0）对 36.8（39.1）；Terminal-Bench 4.0 42.3 对 31.2；DeepSWE v1.1 77.0 对 74.2；ProgramBench 29.1 对 20.3；NL2Repo-Bench 68.2 对 65.4；Automation-Bench v1.0.6 60.5 对 54.8；Agents' Last Exam 35.4 对 31.8；Apex Bench v1.1 72.1 对 64.6；Chartography 有工具 83.0 对 78.9；BabyVision 有工具 92.5 对 89.6；ZeroBench-main 有工具 51.0 对 49.0。全部十一行均上升。表下有两个脚注限定：剑号标记 HLE 的纯文本子集，而 Terminal-Bench 4.0 在 Claude Code 测试框架中运行，DeepSWE v1.1 则在 Mini-SWE-V2 中运行。

现在把这个结果对照 Artificial Analysis Intelligence Index 来看，而 45 到 46 的猜测针对的正是这个指数。当前指数版本是 4.3.2，它是十项评估的加权综合，归在四个类别下：Agents 占 30%，Coding 占 20%，Scientific Reasoning 占 20%，General 占 30%。权重是公开的，而它们就是全部论据。AA-Briefcase v1.1 占 15%。AA-Omniscience 占 15%，拆分为准确率 10% 和非幻觉率 5%。Terminal-Bench 4.0 占 10%。HLE 占 10%。CritPt，即研究级未公开物理题集，占 10%。GDPval-AA v2.1 占 10%，GDP.pdf 占 10%，SciCode 占 10%，AutomationBench-AA 占 5%，AA-LCR v1.1 占 5%。

那十项评测中，只有一项以相同名称和相同配置出现在 D​eepSeek 的十一行表格中：Terminal-Bench 4.0，在指数中占十分之一。HLE 在两边都出现，但并非完全相同——厂商一栏是纯文本子集，而指数运行的是包含 2,158 道题的纯文本集合。指数所读取的其他所有内容，包括两个权重最大的组成部分，在厂商表格中完全没有对应行。这就是这个猜测背后的机制，并不是对实验室的批评：这仅仅是因为厂商表格和综合指数由不同部分构建，而两者的重叠只有一行宽。

45–46 从何而来，以及为什么你无法核查它

该预测是对9月得分的算术推算。Artificial Analysis 目前给9月的 DeepSeek V4.1 Flash 检查点在最大努力推理配置下评分为 39，这使其在 Intelligence Index 上位列120个模型中的第9名，并远高于同规模级别开放权重模型19分的中位数。同一条目还显示每个索引任务成本为0.27美元、每秒输出175.9个令牌、首令牌时间1.23秒。因此，45到46的预测意味着仅通过一次检查点替换就提升约6到7个指数分——这是异常大的单步跃升，也正是发帖者为何用“还算不错”来留有余地，而不是直接预测它。

落到那里会让 1017 进入一个拥挤的阵营。目前处在 46 的模型是 xhigh 和 high 档的 Grok 4.7、低 effort 档的 MiMo-V2.6-Pro 和 G​PT-6 Astra。处在 45 的是 Qwen3.8-Max（0902）、xhigh 档的 M​use Spark 1.3 和 max 档的 G​LM-5.3。处在 44 的是 S​tep 5 Preview 和 max 档的 Kimi K3。六到七分会让 D​eepSeek 的廉价档位从开放权重集群之下移到其中部，而发帖者选择的比较——“比 G​rok 更好”——正是 45 或 46 能在 Grok 4.7 自身 effort 设置下使之字面成立、同时每项任务成本低一个数量级的那个比较。这就是这个猜测有用的形态：不是那个整数，而是它所暗示的价格—得分位置。

还有一个理由要对基线本身保持谨慎。一篇九月发表的第三方文章引用了九月检查点：在该指数上为40，在113个中排名第六；而该网站今天在某个具名指数版本上显示为39，在120个中排名第九。权重相同，公布的整数却不同，因为该指数是分版本的，其样本总体在增长。任何建立在已经变动过两次的数字之上的预测都是沙上建塔，而对45–46这一说法的诚实表述，是一个关于区间的区间。

全知预测就是那个带有机制的预测。

在这条信号的所有内容中，1017“又会被 Omniscience 打趴下”这一说法，是其中背后有可检验机制、而非仅凭感觉的部分。AA-Omniscience 并不是一个有及格线的知识测验。它围绕约 6,000 道题、覆盖 42 个主题来评估事实可靠性：答对得分，产生幻觉扣分，弃答则保持中立——因此拒答胜过猜错。一个针对智能体吞吐量和短输出进行调优的模型——这正是 1017 更新日志所描述的——就是一个每次作答用于推敲的 token 更少的模型。在一个会惩罚自信错误答案的指数上，这究竟是有帮助还是有害，确实是一个尚无定论的问题；而“again”一词在这句话里是有实际含义的：它暗示 9 月的检查点已经在该项上表现不及预期。该指数将 Omniscience 准确率和非幻觉率作为两个独立数字发布，但 DeepSeek 模型页面没有展示各基准的细分数字，因此目前无法从该网站上读到 9 月 Omniscience 的分项数据。这个预测看似合理，但按目前的情况无法证伪。

同一抱怨的另一半——即该指数“仍在使用有问题的 CritPt”——指向了该综合指标的一个真实特性。CritPt 是研究级、尚未发表的物理题：这些题目的答案尚未出现在训练数据中，这既让它不易受污染，也让它噪声大、更新慢。它占该指数的十分之一，权重与 HLE 和 Terminal-Bench 4.0 相同。一个从未公布过 CritPt 成绩行的模型家族，在针对它做出的每一次预测中都会带着 10% 的盲区。批评的两部分实际上都是同一个观察：指数和厂商在衡量不同的东西，而预测必须用假设来弥合这一差距。

Vals 编号是另一块板，配有不同底座。

57% 这个数字值得单独用一段来说，因为它是该信号中唯一能对应到一个已公布数字的部分，而且这种对应虽然用的是一年前的数据，但过时方向恰好有利。Vals AI 的指数将九月的 DeepSeek V4.1 Flash 排在 57.86%，在 56 个模型中位列第十五，是开放权重模型中排名最高的条目，略微领先于 57.81% 的 Kimi K3，标称每次测试 $0.30。因此，“57% 在 Vals 上听起来合理”并不是向上预测——它预测的是大致持平的表现，因为在这个榜单上，九月检查点已经是开放权重模型的领先者。同一个发帖人在同一句话里给出了两个榜单、两种不同预期：在指数上大幅跃升，而在 Vals 上原地踏步。这种不对称是帖子里最有信息量的地方，因为它告诉你，发帖人预期 1017 的提升会体现在该指数高度重视、而 Vals 权重较低的评估中——即 Terminal-Bench 风格的智能体工作，而非通用知识工作的广度。

实际需要重新运行什么？

目前流传的独立数字都无法描述 1017 的权重。D​eepSeek 在一个稳定的 API 名称背后更换了模型，这意味着所有已发布数字的归属都已悄然易主：一个引自九月某次运行、针对 DeepSeek V4.1 Flash 的分数，现在描述的是厂商已不再提供的权重，而它当前提供的权重根本没有外部评分。对于任何把检查点替换视为配置变更的人来说，实用规则来自软件领域：它值得进行同样的一轮回归测试。在 1017 接近生产路径之前，有五个问题值得对照它来回答。

• Terminal-Bench 4.0 能复现吗？ 厂商在 C​laude Code 测试框架中将其从 31.2 提高到 42.3，而这是独立榜单会读取的少数几行之一。选择美化模型的厂商测试框架，是基准测试报告中最古老的失败模式。

• DeepSWE 的增益在另一种脚手架下还能保持吗？在 Mini-SWE-V2 中为 77.0，而九月为 74.2。DeepSWE 在不同评测框架中表现出较大波动，因此关键在于差值，而非绝对水平。

• 输出长度真的会下降吗？更新日志中的成本说法依据的是更短的输出，而不仅仅是更快的输出。在按量计费的 API 上，这正是帕累托改进与舍入误差之间的差别。

• 推理强度调节是否表现正常？ Effort 是数值型，low、high 和 max 映射到预定义值，high 是默认值，并且在思考模式下 temperature 会被接受但被忽略。请在生产环境发送的精确 effort 值下测试，因为在 max 下运行测试套件并不能说明在 high 下部署时的情况。

• 多轮工具使用仍能完整往返吗？使用工具时，先前每一轮的 reasoning_content（包括没有工具调用的轮次）都必须返回，否则请求会失败。这正是检查点切换会悄无声息地引入的那类回归。

如果你想在不把生产路径迁到未经验证的权重上的情况下跑那轮回归验证，这正是 OrcaRouter 故障转移所针对的场景：把 1017 放在回退链后面，把愿意承受损失的流量发给它，并让失败或缓慢的响应在调用方看到之前跨提供商重试。定价是论点的另一半，也是更简单的一半——DeepSeek 保持 Flash 价目表不变，而由于 OrcaRouter 以 0% 加价直接透传提供商的标价，不影响 DeepSeek 价格的变化也不会影响我们的价格。今天你就可以按 DeepSeek 自己的费率使用 DeepSeek V4.1 Flash，无需第二份合同，也无需改代码，同时排行榜还在追赶。

信号留下的未解问题

如果架构相同，为什么仅更换检查点就会让指数发生变化？因为该指数将智能体评估和编程评估的权重合计设为总权重的一半，而这类后训练变化正是在这些评估中体现得最快。九月模型已公布类别中，相对其价格表现最弱的是智能体工作；1017 更新日志几乎完全围绕智能体工作和每任务成本。该预测是在押注：相同架构加上更好的后训练，会达到权重所指示的位置。

有没有办法在 Artificial Analysis 公布之前，就了解到 1017 的分数？只能间接了解。供应商公布的两行智能体评测——Terminal-Bench 4.0 和 Automation-Bench——是最接近的替代指标，而且两者都是自报的。第三条路径是观察独立榜单上的 9 月条目是被改名、重新跑分，还是原样保留；如果实际部署的权重已经变化，而过时条目仍保留旧分数，这就是最清晰的信号，说明某个数字已不再代表它字面上的含义。

价格不变是否意味着帕累托改进的说法是真的？这意味着该说法可以被检验。在固定价目表下，“性能—成本帕累托改进”只有在每任务输出 token 数下降时才成立，因为这是唯一剩下的杠杆。厂商称任务运行时间和输出长度都下降了。这是页面上读者可以用自己的账单验证的唯一说法。

接下来看什么

要评分的预测很具体，这正是它值得保留的原因。如果 Intelligence Index 上出现 1017 这一行，分数为 45 或 46，那么发帖者就说中了位置和机制——偏重 agentic 的权重，加上 Omniscience 上一个已知的薄弱点——而有用的教训是，一旦仔细解读权重，综合得分就能从厂商表中预测出来。如果它落在或低于 9 月的 39 分，教训则相反，而且代价更高：一张十一行的厂商表即使每一行都在上升，综合得分仍可能持平，因为上升的行并不是真正重要的行。无论哪种结果，都只是对单个模型的一次民调，而不是对该实验室的裁决；而决定结果的那个数字，是读者今天算不出来的。

读者今天能做的事，比一份预测更划算。模型权重以 MIT 许可证发布，API 也已按 9 月价格上线，因此在任何人发布排名之前的那一个月，正是你就三个对自己重要的问题形成自己判断的月份：它是否能更快完成你的智能体任务，是否在完成这些任务时说得更少，以及它是否能在你实际运行的多轮工具调用路径上经受住考验。

来源说明：本文中每一个 DeepSeek 数字——十一行基准测试结果、763B 参数总量、1M token 窗口、MIT 许可证、未变的价格表以及测试框架建议——均来自供应商自己 10 月 17 日的更新日志条目、其在 Hugging Face 上的模型卡以及其公布的定价页面。每一个独立数字——智能指数上的 39、在 120 个中排名第九、每项指数任务 0.27 美元的成本、每秒 175.9 个 token，以及使该评分得以成立的十项评估加权——均来自 Artificial Analysis，读取于 2026 年 10 月 18 日。45 至 46 的预测、57% 的 Vals 预期以及 Omniscience 预测，是某位观察者对一款在这些榜单上均无 1017 行的模型所作的估计，并且它们在所有出现之处均被标注为估计。

此类发布背后有据可查的 AI 故障与智能体事件，均收录于OrcaRouter AI 事件档案，其中每条记录都带有自己的来源、严重程度、置信度评级和争议标记。