一张 DeepSeek V4.1 Flash 1017 的标题卡,显示头条数字 46.3%,标注为 FrontierMath Tier 4 v2,并列排名第 21,页脚注明这些数字来自 BenchLeader 和 LLMLearner,且厂商未公布任何数学成绩。
Engineering & Research

DeepSeek V4.1 Flash 1017 在 FrontierMath Tier 4 上跃升 19 分——而 DeepSeek 从未提及此事

作者

Alistair Wren

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

与DeepSeek V4.1 Flash 1017相关的最有趣的基准测试数字,是厂商没有公布的那个。2026年10月21日,即该检查点发布五天后,追踪器 BenchLeader 为该模型添加了一项 FrontierMath Tier 4 结果:在最高推理强度下为 46.3%。这与Qwen3.8-Max仅差一道题的距离,后者在8月2日测得46.3%,并且与Claude Haiku 5.5持平,后者在10月7日测得46.3%。它也比同一榜单上所有更早的 DeepSeek 检查点高出约十九个点。DeepSeek 自己针对10月17日更新的变更日志列出了九项基准测试。其中没有一项是数学基准测试。它在 OrcaRouter 上与九月构建一起以 deepseek/deepseek-v4.1-flash 提供,因此你可以针对两个检查点运行同一组提示词。

DeepSeek 所声称的内容与第三方实测结果之间的那道差距,才是这里的关键。1017 检查点被宣布为一次成本与速度方面的发布——更新日志中的说法是“性能-成本帕累托改进”,即输出更短、任务完成更快。同一份更新日志里的基准测试表全是智能体类工作:无工具 HLE、Terminal-Bench 4.0、DeepSWE v1.1、ProgramBench、Apex Bench、Agents' Last Exam。数学不在列表上。所以,要么 DeepSeek 的数学能力是作为智能体工作的未宣传副作用而提升的,要么某个追踪网站有一行是其他网站没有的。这两种解读都值得认真对待,而且它们会引出不同的建议。

Tier 4 v2 究竟要求什么,以及为什么问题数量比百分比更重要

FrontierMath Tier 4 v2 是 Epoch AI 基准测试中的研究级层级:一个包含 43 道研究级问题的私有扩展集,于 2026 年 6 月 12 日发布,允许模型在无状态沙盒中针对固定库列表运行 Python。计分分母似乎是 41——已公布的分数除以它后结果很整齐,因为 41 题中答对 19 题是 46.34%,41 题中答对 11 题是 26.83%。无论如何,这套题足够小,以至于一道题大约值 2.4 个百分点,而正是这个细节决定了本页其余所有内容。排行榜上看起来差距很大的两项分数,可能只相差八道题。

这正是 DeepSeek 那些数字所代表的情况。46.3% 的得分换算下来,是在那个分母上答对了十九题。更早的检查点所带有的 26.8% 得分换算下来是十一题。整个“十九个百分点的跃升”其实就是八道题。这是真实的差异——四十一道题里差八道,并不是通常意义上的噪声——但它的样本也小到足以让一个更换过的工具、一个改动过的系统提示词,或一个不同的投入程度设置,就能让模型移动好几个位次。当四个模型并列在 46.3% 时,它们并没有被有意义地区分开。它们彼此之间都只差一道题。

轨迹:三个平坦的检查点,然后是一个台阶

46.3 之所以被视为新闻,而非舍入误差,原因在于它之前的表现。在 DeepSeek 最近四次 FrontierMath Tier 4 v2 条目中,曲线先是平的,然后垂直上升:

• DeepSeek V4 Flash 0731 — 24.4%,七月检查点

DeepSeek V4 Pro 0813 — 26.8%,八月旗舰

• DeepSeek V4.1 Flash (0910) — 26.8%,这是取代了两者的九月版本

• DeepSeek V4.1 Flash 1017 — 46.3%,10 月检查点,以最大努力

较容易的层级也有所提升,但幅度不大:BenchLeader 列出 1017 构建在 FrontierMath Tiers 1–3 上为 71.2%,而九月版本为 67.4%。这正是你会从真正的能力提升中预期看到的形态——在问题可解之处提高几个百分点,在问题不可解之处则有更大的跃升。这也正是你会从一种对最难问题帮助尤其大的评测框架改动中预期看到的形态,这就是为什么下一节很重要。

你相信哪个“董事会”,取决于你读哪个“版块”。

我们检查了五个追踪器。其中两个现在显示 1017 构建的 46.3%。另外三个没有。

• BenchLeader — 在最大努力下,第 4 级为 46.3%,第 1–3 级为 71.2%,结果于 2026 年 10 月 21 日添加

• DataLearner,现以 LLMLearner 身份提供服务 — 46.34%,并列第 21 名,在“Max(With Tools)”配置下评估,最后一条结果于 2026 年 10 月 26 日添加,并在榜单上被标记为最佳开放权重得分

benchlm.ai — 26.829%,排名第30,“支持Python的迭代式数学问题求解”,页面更新于2026年10月25日

tensor.news — 完全没有 1017 这一行;其 DeepSeek V4.1 Flash 条目显示为 26.83%,测量于 2026 年 9 月 9 日

trustthebench — 26%,该数据出现在一个日期为 2026 年 8 月 26 日的页面上,该日期完全早于该检查点

A screenshot of the LLMLearner FrontierMath Tier 4 v2 leaderboard, published by Epoch AI, showing 70 models across 43 problems with the last result added 2026-10-26. The top ten are led by GPT-6.1 Sol at 100.0, GPT-6 Astra at 97.6 and Claude Opus 5.5 at 95.0, and the page flags DeepSeek-V4.1-Flash-1017 at 46.3 as the best open-weights score, tied at rank 21.

这三个持异议者存在一个共同的溯源问题。26.83 这个数字,精确到小数点后两位,正是九月版本所获得的分数。一个把新模型标签套用到旧测量结果上的追踪器,产生的恰恰就是这种模式,而那份标注为八月的页面则是有力证据,表明它们当中至少有一个正在这样做。这并不能让 46.3 变得权威——它只是说明 26.8 已经过时,而非自相矛盾。

要最终确定这件事,需要第二套评测框架。无论是 46.3 还是 71.2,都未能在跟踪层之外得到复现,而且 DeepSeek 也没有针对这个检查点发布自己的数学评测。应将该数字视为一个强有力的第三方信号,而不是关于该模型的既定事实。如果你需要为采购文件提供一个站得住脚的数字,那么你目前还没有。

为什么 DeepSeek 会推出数学能力的提升却不加提及

更新日志中的表格比任何阴谋论都更能解释这一省略。1017 更新被呈现为一次编码与智能体方向的发布,而厂商给出的数字完全属于这一范畴:HLE 无工具从 36.8 升至 42.6,Terminal-Bench 4.0 从 31.2 升至 42.3,DeepSWE v1.1 从 74.2 升至 77.0,ProgramBench 从 20.3 升至 29.1,Apex Bench 从 64.6 升至 72.1。一个在长程智能体轨迹上调优的模型——其奖励是完成多步任务,而非输出正确的最终词元——会顺带获得数学耐力。高难度数学和长时间智能体运行奖励的是同一种行为:持续检查,不要提前停止。

A screenshot of DeepSeek's own 17 October 2026 release page for DeepSeek-V4.1-Flash-1017, headed 'Wish-Driven Programming Made Real'. Its benchmark table lists HLE at 42.6 and 44.0, Terminal-Bench 4.0 at 42.3, DeepSWE v1.1 at 77.0, ProgramBench at 29.1, NL2Repo-Bench at 68.2, Automation-Bench at 60.5, Agents' Last Exam at 35.4, Apex Bench v1.1 at 72.1, Chartography at 83.0, BabyVision at 92.5 and ZeroBench-main at 51.0. No mathematics benchmark appears anywhere in the table.

独立测试者发现的结果与该理论所预测的相反,而这正是整件事有意思的地方。在一个高难度数学样本上,评估器 sference 测得最低努力推理输出从 1,974 个 token 降至 790 个,AIME 的中位数输出则从 1,681 降至 1,124。在最低努力下推理更短,这并不是一个刚在研究数学上提高了 19 分的模型会让人预期到的情况。最可能的调和解释取决于努力程度:46.3 是在最大努力下记录的,发生变化的是当你让模型思考时它会思考多少,而不是当你不让它思考时它思考得有多高效。

46.3 实际处于什么位置

在中国模型中并列最佳,并不等同于接近前沿;同一个榜单在几行之内的对比就清楚说明了这一点。Tier 4 v2 的领先者完全属于另一类模型:GPT-6.1 Sol 达 100%,GPT-6 Astra 达 97.6%,Claude Opus 5.5 达 95%,Claude Fable 5 达 90.2%,GPT-6 Sol 达 90%。46.3 分集群之上最近的模型是 GPT-5.4,为 49%。LLMLearner 的排行榜将 46.3 标注为榜上最佳开放权重分数。在最难层级上拿到接近五十分的成绩,对开放权重模型来说是极佳结果,对前沿模型来说则很差,而 DeepSeek V4.1 Flash 1017 稳稳属于前一类别。

• Tier 4 v2 得分——DeepSeek V4.1 Flash 1017 46.3% 对比 Qwen3.8-Max 46.3% 对比 Claude Haiku 5.5 46.3%(并列第 21 名)

• FrontierMath 第 1–3 级 — DeepSeek V4.1 Flash 1017 达 71.2%,而其自身 9 月版本为 67.4%

• 权重——采用 MIT 许可证、可下载的 552B 参数专家混合模型,配有单独的条件记忆表;追踪者估计其完整磁盘占用接近 763B 参数

• 价格 — 高峰时段每百万输入 $0.30、每百万输出 $1.20,非高峰时段为 $0.15 和 $0.60,与 9 月持平

• 上下文 — 100 万 token,支持图像输入

• 厂商数学能力宣称——无;FrontierMath 未出现在 DeepSeek 公布的任何表格中

A scoreboard for DeepSeek V4.1 Flash 1017 listing FrontierMath Tier 4 v2 at 46.3%, FrontierMath Tiers 1-3 at 71.2%, the previous DeepSeek checkpoint at 26.8%, MIT open weights, a price of $0.30 input and $1.20 output per million tokens, and no vendor-published math claim, with a footer naming BenchLeader and LLMLearner as the sources.

实际解读:如果你的工作是竞赛风格的数学,而你原本的替代方案是一个开放权重模型,那么 46.3 会改变权衡,因为它让一个 552B、MIT 许可的模型与两个每 token 成本更高的专有模型处于同一区间。如果你的替代方案是一个前沿闭源模型,那么这里没有任何东西能弥合差距——Tier 4 上从 95 到 46 的差距不是舍入误差。

在你自己的问题上检验这一主张,而不拿生产路径去赌它

既然 46.3 这个数字建立在 41 个私有问题和 1 个追踪层之上,合理的做法是拿你自己的工作量来衡量它,而不是相信这两个数字中的任何一个。DeepSeek V4.1 Flash 1017 在 OrcaRouter 上以deepseek/deepseek-v4.1-flash-1017的形式提供,并与 deepseek/deepseek-v4.1-flash 下的九月构建并列——这意味着你可以通过一个 API 密钥,针对两个检查点运行同一组提示词,看看这八个问题的差距是否会在你自己的评测中显现。没有第二份契约,也无需更改代码;模型字符串是唯一区别。

对于这样一个尚无定论的决定,路由层有两点值得关注。定价按供应商标价透传,加价为 0%,因此 DeepSeek 的 $0.15 和 $0.60 非高峰费率在这里生效的当天,也会在任何其他地方生效;供应商调价时,无需等待我们同步价格目录。在基准测试仍有争议时更有用的是:自动故障转移和路由 DSL 让你可以把困难数学切片交给 1017 构建版本并以最大强度运行,并在它返回你无法验证的答案时回退到更强的模型——因此,一个未经证实的 19 个百分点提升,代价只是一条路由规则,而不是一次迁移。

什么会改变这个故事?

有三件事值得关注,而且这三件事都可核查。第一,benchlm.ai 和 tensor.news 是否会把它们的 1017 行更新为 26.8 以外的值;如果又有两个追踪器与十月的测量结果趋同,那么过时行读数就得到确认,这个数字也就变得平常了。第二,DeepSeek 是否会在未来的更新日志中,在自己的对比表里增加一行数学数据——一个相信自己已在 FrontierMath 上提升了十九个百分点的厂商很可能会这么说,而那里的沉默则是轻微的反证。第三,一次无工具复现。46.3 是在允许使用工具的情况下记录的,而无状态运行会告诉你,这一提升是数学推理能力,还是对 Python 沙箱的更佳利用。

在其中任何一项真正落地之前,诚实的总结都很有限。一个发布仅九天的检查点、MIT 许可证和 0.30 美元的输入价格,已在最难的公开数学层级上与 Qwen3.8-Max 和 Claude Haiku 5.5 落在同一区间——在两家追踪器上、以最大努力、在四十一道题中,且未被构建它的实验室认领。这足以让你花一个下午做自己的评估。但这还不足以成为重写基准测试幻灯片的理由。

本文中的对比2

根据本文内容识别 · 基准测试:Artificial Analysis · 每日更新