DeepSeek V4.1 Flash 正式发布：全新架构下 552B 参数，MIT 权重，以及一场从未发生的 V4 Pro 退役

DeepSeek V4.1 Flash 不再只是一个为期两天的实验。那个在 9 月 8 日和 9 日以自带到期日的 ID——deepseek-v4.1-flash-expires-on-0910——待在供应商线上 API 中的模型，已于 2026 年 9 月 10 日正式发布，覆盖 DeepSeek 的应用、网页界面和 API，如今以模型名 deepseek-flash 响应。这次发布有三点比 beta 所暗示的更为重大。第一点是文书材料：DeepSeek 发布了一份技术报告，标题颇为直白，叫《突破 KV Cache 压缩的极限》，并以 MIT 许可证发布了权重，对应一个基于全新因果编码器-解码器架构构建的 552B 参数多模态专家混合模型。这些权重不是空头承诺：48 个 safetensors 分片，总计约 510 GB，在发布当天上午上线，这把 beta 未经验证的“新架构、原生多模态”口号变成了读者可以下载并检查的东西。第二点是产品阵容的形态。DeepSeek V4 Flash 和 DeepSeek-V4-Flash-Vision-Exp 已退役，其旧 ID 仍会以 Flash 费率解析到新模型；原定 9 月 14 日逐步淘汰 DeepSeek V4 Pro 的计划在日期到来前被撤回：V4 Pro 仍在提供服务，计费不变，DeepSeek 承诺任何变动前都会通知。家族中最便宜的模型已在价格和 DeepSeek 自家基准上取代旗舰，DeepSeek 表示其底层架构旨在扩展到更大的模型。它之上还有什么，截至 9 月 25 日只是一名追踪者的猜测——三档 Flash、Pro 和 Ultra 产品线，分别为 522B、2T 和 8T——发布它的账号称其为猜测，DeepSeek 未发布任何内容予以证实。第三点则是 beta 从未有过的。Artificial Analysis 现已发布对该模型的首批外部评估：9 月权重在最大努力下的 Reasoning 模式中 Intelligence Index 得分为 39，1017 检查点为 45（提升 6 分，与 GLM-5.3 并列开放权重模型第二，比 MiMo-V2.6-Pro 低 1 分），相比之下，DeepSeek V4 Pro 0813 在同一尺度上为 36，这使 552B 模型成为该网站测得的得分最高的 DeepSeek 模型。另有十件事比这次发布更晚，且指向不同方向。9 月 25 日，ARC Prize 自己的模型测试负责人提交了一个 pull request，向该基金会的基准测试框架添加一等配置的 DeepSeek V4.1 Flash 配置——这个评测方的榜单被该领域解读为推理能力上限，而非生产力检查，但既没有附带结果，也没有承诺结果。三天后，一家外部实验室发布了相反类型的消息：一项已完成的测量，在另一张榜单上把 DeepSeek V4.1 Flash 与另一个开放权重模型并列比较，发现它是两者中较弱的一个——并且发现这个数字更多随包裹模型的测试框架变化，而不是随模型本身变化。在 Exploit Bench 上——卡内基梅隆大学的一个基准，评分智能体在多大程度上接近完全利用一个生产环境 V8——DeepSeek V4.1 Flash 在基准自身默认配置下平均 16 分中的 4.7 分，在 Claude Code 下为 9.3 分，而 GLM-5.3-Flash 在 Codex 下达到 10.6 的峰值，却在最适合 DeepSeek V4.1 Flash 的那套测试框架下降至 6.2。第三件事最不戏剧化，也最容易核实：10 月 7 日，vLLM 项目发布了其自己对该模型服务情况的三周核算，报告称与自家第 0 天实现相比，当前构建在低并发下快 1.9 倍，在 150 TPS 约束下吞吐量为其 5.3 倍——这是一个引擎对自身的前后对比，而非又一次外部评估，也是下文速度部分的对象。第四件事关乎使用该模型的成本，而非它的得分，并且在三天内变动了两次：10 月 12 日，按月度使用额度而非计量 token 为该模型定价的编码智能体 OpenCode 将其对该模型的额度从 60 美元提高到 80 美元——这是平台对自己所售产品的自家声明，刊载于其自家定价页面；10 月 15 日，它开始以第二个模型 ID 免费提供同一模型，上下文为 200,000 token，而计量条目带有的是 100 万 token 窗口。第五件事来自 10 月 14 日，衡量的是模型的服务成本而非质量：Artificial Analysis 将 DeepSeek V4.1 Flash 加入其面向智能体推理的硬件基准 AA-AgentPerf，并公布了在 NVIDIA 和 AMD 加速器上的结果——在每用户每秒 100 token 时，NVIDIA GB300 NVL72 以约每兆瓦每秒 2.61 亿 token 领先，同样的运行仅用两块加速器即可服务该模型，这就是下文以另一种衡量单位展开的部分。第六件事是发布本身，但已被取代：10 月 17 日，DeepSeek 用 DeepSeek-V4.1-Flash-1017 替换了同一 deepseek-flash 模型名背后的检查点——新权重、一张在其公布的每一行上都优于 9 月模型的厂商基准表、相同费率表和相同的 100 万 token 上下文窗口——并且截至 10 月 18 日，一项针对新权重的外部测量与厂商主打的那一行相矛盾：Artificial Analysis 在其自有测试框架下给 1017 检查点的 Intelligence Index 为 45、Terminal-Bench 4.0 为 33.8，而 DeepSeek 的卡上为 42.3。第七件事是这一差距引发的争论。10 月 19 日，一个有提前预告这些发布记录追踪账号自称“百分之百确定”42.3 是真的，“因为它比 GLM-5.3 更好”，并要求 Artificial Analysis 在原生测试框架中运行该模型。该网站前一天已经给出答案，数字低了 8.5 分。第八件事不是分数：10 月 20 日，一名 DeepSeek 追踪者发布了一段智能体对话记录，其中 1017 检查点在应用了 dsh-purge——一个用于剥离测试框架自身约束的插件——的情况下拒绝了一个越狱人格，而第三方的 abliteration（去拒答）说明显示，未改动检查点在聊天模式下对 100 条有害提示的拒答率为 97，在思考模式下为 98，DeepSeek 未针对任一检查点发布自己的安全评估。第九件事不是分数，也不是价格：本周 DeepSeek 开放了其自家服务所运行的推理引擎，附带了 1017 检查点的解码曲线及其背后的生产数据，本周让它浮出水面的帖子将这条曲线与 9 月 30 日一份 Ascend 950DT 基准并列，该基准显示华为芯片每芯片大约落后五到七倍——即下文的服务芯片部分。第十件事不是分数、价格或检查点：10 月 22 日，中央广播电视总台运营的时事账号 YuyuantanTan 报道称，DeepSeek 和 MiniMax 已完成中国技术出口目录草案所附的登记程序，并完成了开源和海外许可。这是官方媒体对两家公司的报道，而非监管机构通知或公司声明，这一进展回答了该目录草案在 10 月 16 日提出的问题——本文涉及的 MIT 权重能否继续发布并出口海外。下文的许可证部分将区分该报道说了什么、没说什么。

下文始终将两类说法区分开来。规格、基准和价格来自 DeepSeek 自己的更新日志、模型卡和技术报告——由厂商发布、由厂商运行，且未被其他任何人复现。此后，四种独立工具缩小了这一差距——一个综合指数、一个社区内核榜、一个由测试框架控制的网络安全基准，以及一个硬件服务基准——其中综合指数现已在两个检查点上运行过。它们没有一个复现了厂商榜单中的任何一行，而 ARC Prize 仍在构建推理评估，尚未发布任何内容。DeepSeek 于 10 月 17 日以 DeepSeek-V4.1-Flash-1017 检查点替换了同一 API 名称背后的模型。在一天的时间里，这意味着本文中所有外部数字描述的都是厂商已不再提供的权重，而对于厂商确实提供的权重则没有外部评分；10 月 18 日，Artificial Analysis 在新检查点上重新运行了其指数，并发布 45 分，而 9 月权重为 39 分。其他三种工具尚未重新运行：网络安全基准、内核榜和硬件基准仍描述 9 月权重，而且无论新旧，没有任何独立评分复现了 DeepSeek 自家基准中的任何一行。vLLM 项目 10 月 17 日发布的服务成本数字只是在发布日期上更晚：其背后的图表日期为 10 月 16 日，即替换前一天，因此它描述的是同样已被取代的权重。在其当前指数（v4.3.2）中，Artificial Analysis 给 9 月的 DeepSeek V4.1 Flash 检查点打 39 分，给 1017 检查点打 45 分，并将两者描述为远高于同等规模开放权重模型 19 分的中位数；它们是真正的第三方数字，也是本文中首批并非由 DeepSeek 生成的数字。每个分数都是十项评估的一个综合结果，并非对任何单个厂商榜单行的复现，而且它完全没有说明 100 万上下文的经济性。本文中的拒答数字属于第四类说法，并在出现处加以标注：它们来自构建这些权重未经审查衍生版本的人，而非 DeepSeek，也非评估实验室，而且 DeepSeek 未发布针对任一检查点的安全评估。服务部分中的硬件数字又属于另一类：NVIDIA 解码曲线和生产数据是 DeepSeek 对其自有引擎的自家测量，本周随代码一同发布；而 Ascend 数据点来自一份在 X 上的帖子中转载的基准表，该表未发布在两家厂商的网站上。凡数字属于 DeepSeek 之处，本文都会说明。还有一类不在该分类体系之内。10 月 22 日关于 DeepSeek 和 MiniMax 已完成草案出口目录下登记的报道属于官方媒体——中央广播电视总台玉渊潭天，并被中国财经媒体广泛转载——而非商务部公告，且 DeepSeek 未发布任何声明确认此事。该目录本身是一份政府草案，公开征求意见至 11 月 15 日，并在本文中凡出现处均被描述为草案。报道中附带的构建名称——V4.1F-1017 和 M3.1-Flash——来自 10 月 23 日的一个 X 账号，并未出现在官方媒体报道或转载该报道的媒体中；该帖子所指的检查点在帖子发布时已可供下载六天。

10月17日检查点：DeepSeek-V4.1-Flash-1017 有哪些改变

在这篇文章所围绕的那次发布过去五周后，DeepSeek 替换了其底层模型。10 月 17 日的更新日志只有三句话：“DeepSeek V4.1 Flash has been upgraded to DeepSeek-V4.1-Flash-1017. The official web and APP models have also been updated to the new version. The API calling method and pricing remain unchanged — simply use deepseek-flash to access the latest model.” 那段引文中的一切，都是厂商在谈论自己的产品；而且这三项说法都可以在 DeepSeek 自己的页面上核实，而不必仅凭信任接受：“Models & Pricing”表中的模型版本一行现在写的是 DeepSeek-V4.1-Flash-1017，而此前写的是 DeepSeek-V4.1-Flash；旁边的价目表仍是 9 月 10 日发布的那套非高峰与高峰分段定价——非高峰时段每 100 万 tokens 为 $0.003、$0.15 和 $0.60，在工作日高峰时段翻倍至 $0.006、$0.30 和 $1.20——并且 API 快速入门仍将 deepseek-flash 列为模型字符串，100 万 token 上下文、384K 输出上限和 2,500 请求并发限制均未改变。已停用的别名 ID 的表现与 9 月说明中的预期一致：deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 仍被接受，并且现在会以 Flash 价格返回 DeepSeek-V4.1-Flash-1017 的响应。DeepSeek 当天也在自己的账号上宣布了同样的变更，这条帖子值得与更新日志对照阅读，因为它更简短、更直白：“DeepSeek-V4.1-Flash-1017 is here! Stronger benchmark performance, faster task completion, and shorter outputs than the previous version—a Pareto improvement in performance and cost. Now live on our website, app, and API,” 后面附有同样的三套评测框架，以及同样的升级到 DeepSeek Harness 0.2.1-rc.1 或更高版本的说明。其中一切都是厂商在自己的渠道上描述自己的产品：“现已在我们的网站、应用和 API 上线”不过是更新日志中“官方网页和 APP 模型也已更新”的复述；而基准测试、运行时间、输出长度和帕累托改进方面的说法则来自模型卡——但有一个差异，对任何决定是否尝试它的人来说都很重要。模型卡在每条基准测试行旁都标有数字；帖子则一个数字也没有，而且无论是帖子还是更新日志，都没有为运行时间和输出长度的说法给出具体数字。DeepSeek 在此重点宣传的四件事中，有两件仍只是厂商的断言，而非已公布的结果；而帕累托改进说法背后的图表——也就是附在帖子上的那张——是 DeepSeek 自己的，依据其自身的任务成本测量绘制。

权重也随之变动，而这正是读者无需信任变更日志就能验证的部分。第二个仓库 deepseek-ai/DeepSeek-V4.1-Flash-1017 于10月17日凌晨在 Hugging Face 上线，同样采用 MIT 许可证：同样有48个 safetensors 分片，总量仍约为510 GB，每个分片与9月的对应分片大小相同，但每个分片的哈希都不同。形态相同、内容不同——这正是“小幅更新”从外部看起来应有的样子，这也意味着本文自9月以来一直在报道的架构说法未受影响：声明552B主干、384个路由专家、每 token 8B 激活参数的预填充路径和16B解码路径的配置文件，与9月仓库中的文件逐字节相同，因此每 token 890字节的 KV 缓存仍是同一设计，而非新设计。新仓库没有附带的是文书材料。其中没有技术报告，没有评估文件夹，也没有 Jinja 聊天模板；模型卡称此次发布不包含聊天模板，转而指向一份 Python 编码参考和一个新的 Rust 工具包 deepseek-recipe，用于将 Chat Completions、Responses 和 Anthropic 格式的请求转换为模型的提示格式。任何按仓库名称固定权重的人都应知道，这两次下载的差异不止在哈希。文件列表明确说明了方式：全部48个分片校验和不同、字节大小相同，而非权重文件——声明架构的配置、许可证以及整个编码文件夹——在两个仓库中逐字节相同。有七个文件存在于9月仓库而不在这个仓库中，且没有添加任何替代文件：技术报告、评估文件夹、聊天模板、模型卡过去嵌入的两张图，以及一个 .gitignore。模型卡还收窄了一个服务参数。9月的模型卡建议 top_p 为0.95或1.0；10月17日的模型卡建议1.0，温度保持1.0，100万上下文窗口和至少256K的 max_tokens 保持不变。

DeepSeek 自己的基准测试表正是这次更新理应展现成果的地方，而这张厂商表与九月那些行完全属于同一类型：同一家公司跑出的结果，无人复现，发布在一个权重才公开几小时的模型上。与九月的检查点相比，它在卡片所载的每一行上都有提升——HLE 无工具 42.6 对 36.8，或在纯文本子集上 44.0 对 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 带工具 83.0 对 78.9；BabyVision 带工具 92.5 对 89.6；以及 ZeroBench-main 带工具 51.0 对 49.0，均为 Pass@5。同一张表还将 1017 与 DeepSeek 所对标的前沿模型并列：它现在在 Terminal-Bench 4.0 上超过 GPT-5.6 Sol，42.3 对 39.9，但仍落后于 Opus 5 的 51.8；而在 DeepSWE v1.1 上它同时领先两者，77.0 对 73.0 和 74.0——这一行读自厂商自家公告所附图表，也是本周被引用最多的单个数字。在 NL2Repo-Bench 上它升至 68.2，仍落后于 Opus 5 的 75.3，这也正是九月那张表的形态：在借助测试框架的智能体工作上最强，在奖励推理深度的行上落后。Terminal-Bench 4.0 这一行值得读两遍，因为它现在是那张表中唯一有独立对应结果的行。DeepSeek 是在 Claude Code 测试框架下运行它的；Artificial Analysis 则在 mini-swe-agent 下运行同样的 66 项任务，其对这些权重在 10 月 18 日的结果是 33.8——比厂商的 42.3 低八点五个点。在 DeepSeek 自己的表上，这一行以 4.4 个点超过 GLM-5.3，42.3 对 37.9。在 Artificial Analysis 的测试框架下，同样的权重落后 GLM-5.3 八分，33.8 对 41.9。

一行小字说明，比那些差值中的好几个都更有分量。九月卡片在 DeepSeek Harness 的 Minimal 模式下评估了 Terminal-Bench 4.0；1017 卡片则称，它在 Terminal-Bench 4.0 上使用了 Claude Code 执行框架，在 DeepSWE v1.1 上使用了 Mini-SWE-V2。本文靠后部分关于执行框架的研究，在同一个模型上跨七个代理 CLI 测得 7 个百分点的跨度，因此，一个伴随不同执行框架而来的 Terminal-Bench 4.0 上 11 个百分点的变动，不能被解读为模型本身提升了 11 个百分点。卡片说明了它使用的是哪个执行框架，这正是让该行数据可审计、而不只是显得亮眼的原因；但这一行其实是两项变化共用了一个数字。独立运行将二者区分开来，而且结果并不利于厂商。Artificial Analysis 在 mini-swe-agent 这一执行框架下，用同一套 1017 权重评估了 Terminal-Bench 4.0——这是它在该榜单上对每个模型都保持不变的执行框架——得到 33.8，而九月的检查点在同一个执行框架下为 26.8。在固定执行框架的情况下，这个检查点带来的是 7 个百分点，而不是 11 个百分点；并且 DeepSeek 的头条数字，比同一套权重在跨模型保持执行框架不变时所得到的分数高出 8.5 个百分点。DeepSeek 其余的宣传框架谈的是成本而非分数，而这正是九月版本发布时所主打的同一维度：更新日志声称此次更新缩短了任务运行时间和输出长度，称结果是“跨多个执行框架的新性能—成本帕累托最优”，并表示它针对 DeepSeek Harness、Tencent CodeBuddy 和 WorkBuddy 做了优化，建议使用 DeepSeek Harness 0.2.1-rc.1 或更高版本。运行时间和输出长度，正是本文中的冗长性证据从外部追踪的量，而 DeepSeek 现在声称把两者都削减了——却没有附上任何数字。现在已有一项针对新检查点的外部测量，但它并未显示运行时间或输出量有所削减：Artificial Analysis 的指数评测运行显示，1017 权重为每任务 288.8 秒，而九月为 289.9 秒；每任务输出 89,495 个 token，而九月为 88,574 个——两者都基本持平，成本节省则完全落在了别处。DeepSeek 同日在自己的账号上发布的帖子把这一切压缩成“更快的任务完成，以及更短的输出”，随后把这两者称为性能与成本上的帕累托改进——这是同一来源对更新日志说法的缩短版，而且同样没有量化。这是厂商在复述自己，而不是第二个来源——这一点很重要，因为外界一周来反复引用的，正是那张图上的数字。公告中唯一真正带有数字的材料，是帖子所附的图表；它把 DeepSWE v1.1 Pass@1 与每任务平均成本对照绘制，所用的是 mini_swe_v2 执行框架。在相信帕累托那句话之前，值得先读它的图注：图表本身标注，其底层的公开排行榜数据日期为 9 月 22 日，比这张图被用来宣传的检查点早了三个半星期；而 OpenAI 模型的对比线被归因于 OpenAI 自己的 DeepSWE 图表，而不是一次共同运行。那张图上只有一个点是新的。它用来对照的一切，都在它出现之前就已发布。

在这次替换的同一天，对那张表格流传最广的解读来自一个与模型在何处运行存在利益关系的人。在 Databricks 从事 AI 系统工作的 Yuchen Jin 发帖称，DeepSeek-V4.1-Flash-1017“在 DeepSWE v1.1 上得分 77”，它“以低 83 倍的成本实现 Opus 5 级别的性能”，并且“我们将在 Databricks 上推出它”。77 是 DeepSeek 自己那一行，取自供应商公告附带的图表，公司之外没有任何人复现过。这两个比较点都是 Jin 的，而且可以清楚地分成一个经得起外部核查、一个经不起。 “Opus 5 级别”站得住脚：发布 DeepSWE v1.1 的独立榜单在各自的运行结果中，将这款模型列在同一水平区间。Mercor 的 APEX 排行榜——涵盖 91 个仓库中的 113 个原创任务，在 mini-swe-agent 测试框架下评分——将 Opus 5 Max 列为 71.4%，将一个 DeepSeek V4.1 Flash Max 条目列为 71.7%；而同一基准的 llm-stats 榜单则将 Claude Opus 5 列为 68.8%，DeepSeek-V4.1-Flash 为 74.2%。对这两个榜单的诚实解读比帖子所呈现的更窄：两个独立衡量该基准的榜单一致认为，这款模型在该基准上至少与 Opus 5 持平，而两个榜单都没有显示 77，因为两者要么收录的是 9 月的数字，要么是自己的运行结果，而且两者都没有给任何条目标注 1017 检查点。“Opus 5 级别”作为一个关于某一水平区间的说法是可以成立的。但催生这一说法的那个数字尚不可复现。

文章里“83×”这一半是他的算术结果，而非已公布的数据；也正是这一半不宜看得太死。没有任何榜单给出 1017 检查点的每任务成本，而 DeepSeek 自家帕累托主张背后的厂商图表，把每任务成本画在对数轴上，范围从十美分到二十美元——这正是如此大的倍数所要求的那种跨度。仅按标价计算，差距比 83× 要小：Claude Opus 5 每 100 万输入 token 收费 5 美元、每 100 万输出 token 收费 25 美元，而 DeepSeek-V4.1-Flash 在工作日高峰时段为 0.30 美元和 1.20 美元，输入约 17×、输出约 21×，而且答案会随缓存命中占比和一项任务消耗多少 token 而发生很大变化。成本论证的方向没有争议，无论本文还是其他地方都是如此。具体倍数则是一个关于无人公布过的比较的主张。

Databricks 是那篇文章中读者可以对照文档核实的那部分，而文档所说明的内容比文章更多。DeepSeek V4.1 Flash 自 9 月 11 日——即 DeepSeek 发布后的第二天——就已在 Databricks Unity Gateway 上线，通过平台的 Foundation Model APIs 支持文本和图像输入，服务名称为 system.ai.deepseek-v4-1-flash；10 月 7 日，平台又为其增加了按 token 付费的优先级选项和预留的预置吞吐量。它也是该平台为这一系列指定的迁移目的地：Databricks 已安排 DeepSeek V4 Pro（0813）于 10 月 30 日退役、DeepSeek V4 Flash（0731）于 11 月 5 日退役，并在两份说明中都将 DeepSeek V4.1 Flash 列为推荐替代项。但没有任何 Databricks 页面提到 10 月 17 日的检查点即将到来。这一说法来自一名员工以个人身份发言——这是关于意图的内部信号，而非已发布的日期，并且受支持模型页面仍列出该模型，未标注检查点。因此，本周的可用性变化是预期性的，来源是平台内部人士而非平台本身；Databricks 客户今天能够调用的是 9 月的权重，而本文一直在描述的替换——同一名称、同一价目表背后的新权重——正是这次替代落地时将呈现的形态。

所以，未变之处与已变之处同样重要。四项独立评测工具中有三项仍只覆盖 9 月的权重，而且仅覆盖这些权重：Exploit Bench 的 harness 表、社区内核榜和 AA-AgentPerf 的硬件运行结果都产生于这次替换之前，而两个带有该模型名称的 DeepSWE v1.1 榜单单发布了一条未标注 checkpoint 的条目。第四项在 10 月 18 日发生了变化：Artificial Analysis 为 1017 checkpoint 新增了单独一行，在其 Intelligence Index 上给出 45 分，在 Terminal-Bench 4.0 上给出 33.8 分，同时将 9 月那一行保留在 39 分和 26.8 分。这是本文中首次出现由 DeepSeek 以外的一方、针对 DeepSeek 当前正在提供的权重测出的数字。API 变更是在一个 DeepSeek 早已记录为指向最新 Flash 模型的名称之下进行的 checkpoint 刷新——这与 9 月让 deepseek-v4-pro 以另一个模型的身份作答的计划正好相反，而开发者当时反对后者时划出的正是这条界线。对调用方而言，实际影响有限而具体：现在请求 deepseek-flash 会以相同价格获得不同的权重，背后有厂商报告的更好成绩表，并且自 10 月 18 日起有一家第三方对其打分——在两者都存在的唯一一行上分数更低。在 OrcaRouter 上，模型 ID 和价目表也未变——DeepSeek V4.1 Flash 按 DeepSeek 自己的标价路由，0% 加价直接传导——从调用方这一侧看，这正是厂商在不改名称、不动价格的情况下刷新模型时应有的样子。

9月10日实际发布的内容

更新日志以一句话开篇：“今天，我们正式发布 DeepSeek-V4.1-Flash 模型。”DeepSeek 将其描述为一个全新模型结构家族中体量最小的成员，具备原生视觉理解能力，并且是本轮周期中首个随技术报告一同发布的版本。在 API 一侧，这更像是一次名称替换，而非迁移：

• 模型名称 — DeepSeek 自有 API 上的 deepseek-flash；基础 URL、密钥和请求格式均未更改。

• 已退役 — DeepSeek V4 Flash 和 DeepSeek-V4-Flash-Vision-Exp 已下线。它们的旧 ID 仍被接受，现在路由到 V4.1 Flash，按 Flash 费率计费，因此现有集成无需更改代码即可继续工作。

• V4 Pro — DeepSeek 宣布，自北京时间 9 月 14 日 12:00 起，deepseek-v4-pro 的请求将按 V4.1 Flash 的价格路由至 V4.1 Flash，直至 V4.1 Pro 发布；但在该日期到来之前，DeepSeek 又撤销了这一决定。V4 Pro 仍在继续提供服务，计费保持不变，DeepSeek 表示今后如有任何变更将提前通知。

• Envelope — 1M token上下文窗口，最大输出384K，每账户2,500个并发请求，支持图像输入，默认启用思考模式，并提供非思考选项。

• 权重——同一天，仓库 deepseek-ai/DeepSeek-V4.1-Flash 以 MIT 许可证在 Hugging Face 上线：48 个 safetensors 分片，总计约 510 GB，旁边还有作为 PDF 的技术报告，以及一个 inference 文件夹中的参考推理实现。

最后一条也同样适用于那些在生产路径里硬编码了 deepseek-v4-flash 的人，退役模型 ID 的问题正落在这里：它仍然能解析，但应答的已经是另一个模型。DeepSeek 已明确表示，这只是一个兼容性垫片，而非承诺，这就使它成了一份披着弃用通知外衣的迁移截止期限。

该架构，现已记录在案

两天前，这个板块还只能是一份无人发表过的清单。技术报告解决了这个问题，事实证明，结构上的说法是字面意义上的，而非营销噱头。DeepSeek V4.1 Flash 是一个拥有5520亿参数的多模态混合专家模型，而其中新的部分正是决定其运行成本的部分：

• {{1}}主干网络{{/1}} — {{2}}总参数量552B{{/2}}，采用{{3}}混合专家{{/3}}架构，{{4}}每层包含1个共享专家和384个路由专家{{/4}}，{{5}}每个token激活6个路由专家{{/5}}。

• CED — 一个40层transformer，分为20层因果编码器与20层解码器。解码器的全局KV缓存是从编码器的最终隐藏状态投影而来，而非从每个解码器层自身的隐藏状态推导而来，这正是大多数内存节省的来源。

激活不对称性——预填充阶段每个 token 约有 8B 参数处于激活状态，而解码阶段为 16B，因此读取长提示词的成本远低于据此生成内容。

• KV 缓存 — 报告声称每 token 的全局 KV 缓存为 890 字节，约为 DeepSeek V4 Flash 的四分之一，采用 FP4 主 KV 缓存，每 16 个通道一个缩放因子，并支持跨层复用。

• 注意力与解码 — 压缩稀疏注意力2，支持Full、Reindex和Reuse模式，并配备层级稀疏索引器、Single-Pass mHC和DSpark投机解码。

• Engram —— 一个 196B 参数的条件记忆表，通过基于 token 的查找进行稀疏访问，位于混合专家路径旁边，而不是在注意力堆栈内部。它是本次发布中最大的单个权重块，而模型卡中为其给出的数字，正是让下载体积的大小变得清晰可读的关键。

• 视觉 — DeepSeek-ViT配备两层MLP投影器，从语言模型预训练开始就一同训练，而非之后才附加到文本基座上。

• 训练 — 45T token 的多模态语料库，稀疏注意力在 64K 序列长度下训练，并在 34T token 处将上下文扩展到 1M。后训练依次进行 SFT，然后是 RL，最后是同策略蒸馏。

• 推理强度——一个从 1 到 100 的连续可调整数，比 DeepSeek V4 Pro 暴露出的低、高和最高档位更精细的调节旋钮。

{{1}}KV-cache{{/1}} 这个数字，才是影响超出规格表的那一个，也正是设计真正体现价值之处。{{2}}1M token{{/2}} 的上下文窗口，只有在你负担得起把它填满时才有用。上一代长上下文经济性之所以令人痛苦，原因有两方面：{{3}}全局缓存{{/3}} 会随着每一个对提示进行注意力的层而增长，而大部分持久缓存容量都被用来保存滑动窗口状态，这些状态在几分钟内就不再有用。报告给出的答案对这两者都发起了攻击。至于已上线的产品在真实并发下于 {{4}}1M token{{/4}} 时是否与之相符，这类断言仍然需要第三方来验证——如今存在的独立评分衡量的是模型，而不是长上下文经济性——但该机制现在已被记录在案，而非靠推断得出，下面这一节将把它拆解开来。

缓存内部：每个 token 890 字节究竟是如何实现的

报告标题就是论点。读完之后，效率主张就不再像是混合专家骨干的副作用，而开始像是设计纲领——这也是发布以来独立评测文章逐渐趋同的解读。它之所以在商业而非学术层面重要，是因为智能体的账单实际落在哪里：DeepSeek 的表述是，在长程智能体工作负载中，占主导的是缓存命中那一项，这使得缓存大小成为首要的成本杠杆。DeepSeek 的数据显示，全局缓存为每 token 890 字节，约为最初 DeepSeek V1 的 1/437，约为 DeepSeek V4 Flash 的四分之一。对完整窗口算一下，这就是单个 100 万 token 序列约 890 MB 全局 KV，与按 V4 Flash 每 token 速率约 3.5 GB 之间的差别。三项改动完成了大部分压缩：一项关乎存储多少，一项关乎读取什么，一项关乎究竟保留什么。

存储格式是其中最清晰易懂的。主全局缓存以 FP4 保存，采用 E2M1 布局，每 16 个通道配一个 E4M3 缩放因子——宽度是 DeepSeek V4 所存 FP8 缓存的一半，是 FP16 的四分之一。之所以能承受这一点，是因为 DeepSeek 在训练期间而非 serving 时对缓存进行了量化，因此更窄格式引入的噪声是模型学会应对的东西，而不是事后强加给它的东西。并非所有内容都以这种方式压缩：本地滑动窗口缓存仍保持 FP8，因为报告将其视为对进一步收窄敏感的部分。

Compressed Sparse Attention 2 处理的是“读取什么”的问题。每个注意力层都会被静态分配为三种模式之一——Full、Reindex 或 Reuse——因此解码器层可以共享键状态和索引器状态，而不必各自保留一份；第一个 Full 模式层会构建一个候选池，后续索引层只能在该候选池内进行索引。报告中的数字显示，该候选池包含 16,384 个位置，稀疏选择针对排名前 512 的条目，这正是让索引成本与上下文长度解耦的原因：DeepSeek 声称，从 4K 上下文扩展到 1M 上下文，每生成一个 token 只增加约四分之一的计算量，而不是早期设计所暗示的、大致与窗口长度成正比的增长。对于任何试图为长上下文工作负载估算成本的人来说，这个单一数字是报告中最有用的信息，但它也是完全没有外部证实的那一个——本文中的所有外部测量都没有测试上下文窗口的最远端。

在持久化侧贡献最大的那项改动，名字却最不起眼。在典型工作负载下，DeepSeek V4 会在持久缓存中保留两类内容超过 72 小时：全局 KV 和滑动窗口注意力状态。滑动窗口状态只在几分钟内重要，却占用了近一半的持久缓存容量——这些存储本按天设计，却被用于只有一分钟有用性的数据。V4.1 Flash 将 SWA 状态完全移出持久缓存，放入一个由每台机器约 10% 主机 DRAM 组成的池中，生存时间为分钟级。当会话恢复而该状态已不存在时，SWA Bounded Replay 会近似重建它：它不重放“层数 × 窗口 token 数”，而只重放最近的窗口，据报告为 128 个 token，并接受重建后的状态在数学上并不等同于完整重放。DeepSeek 表示，观察到这种近似对质量影响很小，并在后训练期间模拟了相同行为。再加上更窄的全局缓存，在相同工作负载下，持久 KV 占用降至 DeepSeek V4 Flash 的大约八分之一——这比规格表开头给出的四分之一降幅更大，因为这是两项改动叠加的结果，而不是一次格式变更。

有两个限制笼罩着这一切。报告没有提供端到端延迟或成本对比，因此一个小八倍的持久缓存，并不等于一个已被证明便宜八倍的工作负载：压缩缓解的是内存压力，而账单中只有受内存约束的部分会对此作出反应。而且这种节省并非自动降临到你身上。引擎必须实现编码器-解码器投影、三种 CSA2 模式、FP4 缓存布局和 Bounded Replay，这个数字才有意义；因此，890 字节最好被理解为 DeepSeek 自家服务 API 的第一方规范，而不是对本地构建的承诺——仓库中面向 llama.cpp、Ollama 和 LM Studio 的量化转换并不携带这一缓存。这一头条数字也只涵盖文本 token；视觉嵌入不在其范围内。在任何自托管场景中，值得信任的数字是你自己测出来的那个。一个引擎能借此走多远，已经不再是假设，尽管它仍不是独立验证。vLLM 在发布后的三周内实现了解码器侧裁剪和 Bounded Replay，并在下文的“速度”部分公布了前后对比——这是迄今为止对规范最接近的核查，而且是由引擎衡量自身工作、而非由评估者衡量模型所做出的核查。

独立评分，运行两次：9月权重为39，1017为45

Artificial Analysis 发布了对 DeepSeek V4.1 Flash 的首个外部评估，而这个数字正是测试版无法给出的。在当前版本的人工分析智能指数（v4.3.2）上，该模型在推理模式、最高推理强度下得分 39。在同一量表和相同设置下，DeepSeek V4 Pro 0813 得分 36，DeepSeek V4 Flash 0731 得分 34。把这三行放在一起看，它们说明了 DeepSeek 自家营销所声称、而其基准测试本身无法证明的事情：该系列中最小的模型如今是最强的模型。Artificial Analysis 称，39 分远高于同等规模开放权重模型 19 分的中位数。在五周时间里，这个分数只属于九月检查点：评估机构的列表只标有九月的发布日期，别无其他。10 月 18 日，情况变了，而这一变化正是本文首次发布时尚不掌握的消息。DeepSeek V4.1 Flash 1017 出现了第二行记录，日期为 10 月 17 日，在同一指数、同样的最高推理强度下得分 45。这使 1017 权重与 45 分的 GLM-5.3 持平，比 47 分的 GPT-5.6 Sol 低两分，比 51 分的 Claude Opus 5 低六分——并使该检查点成为该网站测得的得分最高的 DeepSeek 模型，而五周前这一头衔还属于九月权重。这也赋予了该模型此前没有的地位，而评估机构在 10 月 19 日的报告中明确说明了这一点：在开放权重榜上排名第二，与 GLM-5.3 并列，落后于 46 分的 MiMo-V2.6-Pro 一分，而 Step 5 Preview 和 Kimi K3 再落后一分，为 44 分。这六分并非均匀分布在十项评估中。同一份报告指出，最大提升出现在智能体与知识部分——GDPval-AA v2.1 Elo 为 1,746，对比 1,600；AA-Briefcase v1.1 Elo 为 1,570，对比 1,420；AA-Omniscience 非幻觉率为 33%，对比 4%，准确率从 43% 升至 46%，该评估的指数从 -5 升至 +5。这些都是评估机构为其自身测试给出的数字，由该机构发布，而非本文复现；它们描述的是一个明显更不愿意编造答案的模型——这与 DeepSeek 更新日志首要强调的速度提升是不同类型的改进。

这里真正重要的比较是内部比较，因为这与 DeepSeek 的路由表所做的比较相同。V4.1 Flash 总参数量为 552B，每 token 激活 16B；DeepSeek V4 Pro 0813 总参数量约为 1.6T，激活约 49B。一个主干规模约为其三分之一的模型，在一项其制造商并未运行的复合评测上得分高出三分——一旦计入 1017 权重，则高出九分，因为 1.6T 旗舰仍停留在 36。规模与得分之间的权衡正是 Causal Encoder-Decoder 设计的全部论点，而一个与结果无利害关系的评估者如今得出了一个与之相符的数字。

价格这一半的说法也站得住脚，而且这是文中第一个并非来自 DeepSeek 价目表的价格比较。Artificial Analysis 列出 DeepSeek V4.1 Flash 为每 100 万输入 token 0.30 美元、每 100 万输出 token 1.20 美元，而 DeepSeek V4 Pro 0813 为 1.32 美元和 3.96 美元——输入便宜 4.4 倍，输出便宜 3.3 倍，按该网站 7:2:1 的缓存命中、输入和输出混合计算，混合价格为每 100 万 token 0.18 美元。它也比它所接替的较旧、较小的 DeepSeek V4 Flash 0731 更便宜，该网站将其列为 0.44 美元和 1.32 美元，而得分低五分。比它所接替的模型更便宜，比它所取代的模型更便宜，并且在指数上领先两者。

这个数字有两点需要说明。它是在最高推理强度下进行的十项评估的综合结果，因此既无法说明大多数生产流量实际使用的较低强度设置，也无法说明在 100 万 token 窗口最远端质量如何保持。而且它是单一评估者的分数：独立，但未复现——并且自本文首次引用以来，该综合结果本身也已从 v4.3 修订为 v4.3.2，这使 DeepSeek V4.1 Flash 的分数从 40 变为 39，其前代从 35 变为 34。它确实确立的东西狭窄而有用——测试版无法支持的那个论断，即一个 552B 模型真正可与 DeepSeek 自家的 1.6T 旗舰竞争，如今有了 DeepSeek 之外的来源。1017 那一行带有同样两点说明，还有一点。它是单一评估者的分数，对应权重比这里大多数证据新五周，而且它是一个单一综合结果，而非对任何厂商行的复现。它的每任务价格在网站上也有变动：九月检查点今天标为每 Intelligence Index 任务 0.49 美元，而本文最初写的是 0.27 美元，1017 检查点为 0.26 美元。把美元数字当作别人仪表盘上的实时数字，而不是常数——这正是指数分数本身从 40 变为 39 时所教的同一课。分数旁边的成本表是其余注意事项，而且它有两面性。排在它上面一位的模型价格也只有它的一半：MiMo-V2.6-Pro 以每 Intelligence Index 任务 0.13 美元达到 46，而这里是 0.26 美元，Artificial Analysis 自己的比较则把中等强度下的 GPT-6.1 Sol 列为 48 分、0.21 美元。1017 检查点真正赢下的是 DeepSeek 自九月以来一直推销的正面对比——它在该表的两个轴上都胜过 GLM-5.3-Flash，45 对 42，每任务 0.26 美元对 0.28 美元——而在这组配对中，能力与成本朝同一方向移动。

下一个外部得分：ARC Prize 正在构建测试

9月25日，ARC Prize 的模型测试负责人 Matt Mazur 在该基金会自己的 ARC-AGI-3 基准测试仓库中提交了一个拉取请求，添加了一个一等公民的 DeepSeek 提供方适配器：一个名为 deepseek-v4-1-flash-low-provider-adapter 的配置文件，其 model 字段为 deepseek-ai/DeepSeek-V4.1-Flash。关于 ARC Prize 打算评估此模型的声称来自一条社交帖子，因此我们对照该基金会自己的代码进行了核实，而不是对照那条帖子。适配器、配置文件、其单元测试和文档都在 diff 中，而该仓库正是 ARC Prize 测试政策为其交互式智能体基准测试所指名的测试框架。不存在的是结果：该拉取请求仍处于打开且未合并状态，没有分数，没有发布日期，也没有说明将公布哪些推理级别。其重要性在于测量的形态，而不是即将进行测量的消息。ARC-AGI 提出了其他榜单没有提出的一个问题：一个模型可以在测试框架内快速、便宜且强大，但在它未见过的任务上仍只能拿到六十几分。这就是还没有人向 DeepSeek V4.1 Flash 提出的问题。

该配置档案明确了这种运行将如何运作，而有三个细节将影响最终得出的数字。它以低推理强度设置而非最高设置运行模型，流式传输响应，设置 1M token 的 harness 上下文，并设置摘要压缩触发阈值为 175,000 token，同时将输出上限设为 262,144 token。它通过 Baseten 的 OpenAI 兼容端点路由，而不是 DeepSeek 自己的端点，并且配置为每 1M 输入 token $0.30、每 1M 输出 token $1.20——这是 DeepSeek 的峰值标价，而不是本文后面引用的非高峰数字。ARC Prize 根据配置档案中设置的价格计算每任务成本，因此最终数字将是按峰值费率计算的数字；在将其与 DeepSeek V4 Flash 0731 测试时公布的每任务 $0.042 进行比较之前，这一点值得记住。另一个不寻常的特点是针对 DeepSeek 思考模式行为方式的变通方案：历史推理内容只有在请求携带工具时才会被重放，因此适配器让模型将每个 ARC 动作作为 submit_action 工具调用来发出，并重放附有其推理内容的精确 assistant 消息，而不是从文字中解析动作。

用来衡量它的基准来自 ARC Prize 自己的榜单。DeepSeek V4 Flash 0731——V4.1 Flash 所接替的检查点——是该榜单中其所属 Flash 层级的已验证条目：在最高推理强度下，ARC-AGI-2 上为 61.4%，ARC-AGI-1 上为 89.0%，每任务成本分别为 $0.042 和 $0.021。Dots3-Note Preview 在 ARC-AGI-2 上为 76.8%，也就是指出该适配器的那篇帖子所指的 77%，而同一账号的预期——一个规模大得多、原生多模态的后继模型若低于 80% 会令人失望——是他的说法，而非已发布的目标。该说法的剩余部分值得标注：V4.1 Flash 比它所替代的模型多生成 29% token 的说法既未注明来源，也未定义，DeepSeek 或 ARC Prize 都没有发布任何内容说明它衡量的是什么。

需要提醒的是，这里说的是哪个榜单。该适配器进入的是 ARC-AGI-3 仓库，也就是该基金会交互式智能体基准的测试框架；而运行 ARC-AGI-1 和 ARC-AGI-2 的另一个仓库根本没有 V4.1 条目——其模型列表自 7 月 27 日以来一直未更新，仍列着较旧的 DeepSeek 端点。因此，可确证的事实是，ARC Prize 已将这一模型接入其智能体测试框架；至于它是否也会出现在 ARC-AGI-2 榜单上——那个 61.4% 的对比所在之处——公开代码目前并未显示。对于任何选择模型的人来说，实际的解读范围已经扩大。围绕 DeepSeek V4.1 Flash 的四套独立工具现已投入使用——一个已运行两次的综合指数，每个检查点一次；一个社区内核榜；一个由测试框架控制的网络安全基准；以及自 10 月 14 日起的一个硬件服务基准——其中两套将该模型置于测试框架内、在其未见过的任务上运行。两者中较新的是综合指数，自 index v4.3 起纳入 Terminal-Bench 4.0：66 个终端任务，pass@1 取三次重复的平均值，每个模型都在同一智能体测试框架下。其对 1017 权重版本的 10 月 18 日结果为 33.8。下文的网络安全基准是它们中最接近的，而在此基准上，该模型输掉了它唯一一次正面对决。ARC 评测档案是专为回答推理问题而构建的评估，而它仍是那个没有数字的评估。在它运行之前，该模型的推理上限无法衡量，而用来对照它的数字是其前代模型的数字。

首个外部网络评分：测试框架对分数的影响比模型更大

9月28日，评估实验室 Generality Labs 发布了其早前网络工作的后续报告，题为“运行 Cyber Benchmarks 时测试框架重要吗？”——这是首个完成的外部测量，将 DeepSeek V4.1 Flash 与另一个开放权重模型放在同一网络基准测试上进行比较。该基准测试是 Exploit Bench，由 Seunghyun Lee 和 David Brumley 教授在卡内基梅隆大学进行的一项评估，它评估智能体在十六种能力阶梯上攀登的程度——从触及易受攻击的代码，到触发漏洞，到构建利用原语，到任意代码执行——针对启用了 V8 安全沙箱的生产环境 V8。该实验室运行了两个模型：DeepSeek V4.1 Flash 和 Z.ai 的 GLM-5.3-Flash，每个任务有 2.5 亿 token 的预算，共 10 个任务，这些任务通过项目反应理论从基准测试最初的 41 个任务中抽取，并在七种测试框架配置下重复运行每个模型：六种智能体 CLI——Claude Code、Codex、Kimi CLI、ReAct、Gemini CLI 和 OpenCode——加上基准测试自带的默认配置，报告将其标记为 Original。Original 根本不是第三方 CLI：它没有 token 限制，有 300 轮的上限，并且没有上下文压缩。标记这一结果的账号将 Original 描述为大致是一个 Python while 循环；这是他的描述，而不是研究人员的描述，研究人员自己的描述如上所述。

结果是任何单一分数都无法呈现的分布。平均能力分为16分制。DeepSeek V4.1 Flash 在 Claude Code 下表现最佳，为9.3，Codex 以8.9位居第二；同一模型在 Kimi CLI 上降至7.4，在 OpenCode 上为5.9，在 Gemini CLI 上为5.7，在 ReAct 下为5.3，在 Original 下为4.7——这是它自己的基准默认设置，也是七者中最差的。GLM-5.3-Flash 则在两端反转了这一排名。其最佳配置是 Codex，为10.6，高于该研究自身数据集在完整41项任务集上为 Mythos Preview 记录的10.02，不过研究人员提醒，10个样本的子集并不完全具有代表性；其最差配置是 Claude Code，为6.2，而这正是 DeepSeek V4.1 Flash 的最佳测试框架，此外它在 Gemini CLI 上为8.9，在 Kimi CLI 上为8.2，在 OpenCode 上为8.1，在 ReAct 下为7.7，在 Original 下为6.4。对全部七者取平均，GLM-5.3-Flash 约为8.0，DeepSeek V4.1 Flash 约为6.7。因此，伴随这一结果流传的说法中的两个部分，都能在已发布的数据中得到印证：测试框架的选择价值数分之多，而在这项基准上，DeepSeek V4.1 Flash 是两个模型中较弱的那个——唯独在 Claude Code 下例外，它在那里领先超过三分。

研究人员明确指出，他们无法完全解释这种差异。他们唯一有希望的线索是每个 harness 如何压缩上下文，而差异就在于措辞。ReAct 的压缩提示要求模型“写一份延续摘要，让你（或你自己的另一个实例）能够恢复工作”；在实验室公布的记录中，这有时会导致模型宣布工作已完成，之后 harness 再次唤醒它，它就会一遍又一遍地重新提交同一份报告，直到预算耗尽。Codex 将同一时刻表述为“为另一个将恢复任务的 LLM 创建一份交接摘要”，实验室假设，正是面向另一个智能体这一点，让模型能在长预算下持续取得进展。他们称这是一种假设，而非原因。一个配置错误对于解读表格也很重要：ReAct 的压缩被设置为 100K tokens，而不是预期的触发值，因此其压缩频率远高于设计所需，这压低了两个模型的 ReAct 行。该研究自身的告诫，在引用其中任何数字时都值得一并带上——两个模型、每种 harness 配置 10 个样本、每个模型 70 个问题样本，而基准原本有 41 个任务，以及三个出错或从未完成的样本，其中两个是 GLM-5.3-Flash。作者表示，小样本本身就有噪声，不应假定该结果能推广到其他领域和任务，而且 METR 此前的工作发现，在长时程任务上，不同 harness 之间没有统计学显著差异。这是一家外部实验室在跑别人的基准，而不是基准的所有者，而且它未经同行评审。它不是厂商给出的数字，而且它是本文中第一个与厂商自身说法相矛盾、而不仅仅是未能证实它的外部数字。

这里有一件事是路由器能起作用的，还有一件事它做不到。它无法替你挑选 harness——那是你已经在跑的智能体循环，而这项研究的全部要点就在于，这个选择是承重的、至关重要的。它能做的，是让这一组合中属于模型的那一半变成只改一行的事。DeepSeek V4.1 Flash 和 GLM-5.3-Flash 都可以经由 OrcaRouter，用同一个 OpenAI 兼容密钥路由调用，按服务商自身的标价计费、加价 0%，因此，一个想找到属于自己的模型加 harness 组合的团队，可以在固定不变的 harness 之下替换模型，而无需再签一份合同、再做一次集成；并且，万一这次替换被证明是一次退步，还能把已经验证过的模型留在后面作为自动故障转移。这与下文“采用”一节提出的正是同一个论点，只不过被应用到了 harness 研究刚刚使之变得具体的一个决策上：就这些证据而言，你运行的 harness 可能比你选的模型更重要，而在这一组合中，模型那一侧才是你一个下午就能换掉的那一侧。

它相对前沿的表现如何，以及仍然落败的方面

9 月模型卡将 V4.1 Flash 与 Opus-5.0、GPT-5.6 Sol、Kimi K3 和 GLM-5.3 在最大推理强度下进行比较，并以自家的 DeepSeek V4 Pro 和 DeepSeek V4 Flash 作为内部基线。下文的每个数字均为厂商报告，在 DeepSeek 的 harness 上运行，且未经任何第三方复现。该模型卡指出，智能体结果使用 DeepSeek Harness 的 Minimal 模式，代码基准测试使用 100 万 token 上下文，视觉基准测试使用 512K 窗口，因此这些结果无法与同一批基准测试上已发布的第三方数字直接比较。上文各节中的独立分数是在不同评估集上的不同测量；它们支持总体情况，但不佐证下文的任何单独一行，并且上文各节中 10 月 17 日的各行来自另一张模型卡以及同一批基准测试的另一次运行。

在代理式和编码工作方面，供应商数据将V4.1 Flash排在了其所提及的前沿模型之上：

• Terminal-Bench 2.1 — 90.6，而 Opus-5.0 为 89.1，GPT-5.6 Sol 为 88.8，DeepSeek V4 Pro 为 87.9。

• DeepSWE v1.1 — 74.2 已解决，对比 74.0、73.0 和 62.7

• CyberGym — 88.1，而 GPT-5.6 Sol 和 GLM-5.3 均为 84.5，DeepSeek V4 Pro 为 83.3。

• AutomationBench — 54.8，而 Opus-5.0 为 50.3，DeepSeek V4 Flash 为 37.7

• Agent's Last Exam — 31.8，对比 28.6 和 25.7

• Codeforces — 3,471 评分，领先于 DeepSeek V4 Pro 的 3,348 和 DeepSeek V4 Flash 的 3,289

MathArena Apex — 65.6，与 Kimi K3 持平，领先于得分 65.3 的 DeepSeek V4 Pro

而在更难的智能体测试套件上，它并非如此：

• Terminal-Bench 3.0 — 30.0，远落后于 Opus-5.0 的 43.3 和 GPT-5.6 Sol 的 34.4，但远超 DeepSeek V4 Pro 的 11.8

• Terminal-Bench 4.0 — 31.2，对比 51.8 和 39.9，并且在 12.4 上再次领先 DeepSeek V4 Pro。

• ProgramBench — 20.3，相比之下 Opus-5.0 为 37.0

• NL2Repo-Bench — 64.0，而 Opus-5.0 为 75.3

• HLE — 36.8，对比56.3和44.5

• ExploitGym — 15.3，对比 33.7 和 22.1

那份列表的整体形态比任何单独一行都更具信息量。V4.1 Flash 在奖励在测试框架内持续使用工具的基准测试中越过前沿，而在奖励推理深度的基准测试中落败——这正是你会从一款围绕吞吐量和上下文经济性、而非围绕原始推理上限来设计的模型身上看到的模式。内部对比才是引人注目的：它在几乎每一行上都击败 DeepSeek V4 Pro，包括两者都输给 Opus-5.0 的那些行。DeepSeek 并没有声称其最便宜的模型是市场上最好的模型。它声称的是，其最便宜的模型是 DeepSeek 打造的最好的模型，而这一说法得到了其自身路由表的支持。

价格是多少，Pro版本的对比实际又如何

9月10日的价目表现在就是 V4.1 Flash 价目表，发布在 DeepSeek 的 Models & Pricing 页面上，并分为高峰和非高峰两个时段：

• 输入，缓存命中 — 非高峰时段每 1M tokens $0.003，高峰时段 $0.006

• 输入，缓存未命中 — 非高峰时段每 100 万 tokens $0.15，高峰时段 $0.30

• 输出 — 非高峰时段每百万 tokens $0.60，高峰时段 $1.20

• 高峰时段 — 周一至周五 01:00–04:00 和 06:00–10:00（UTC）；其余时段按高峰费率的一半计费

• 以人民币计——非高峰时段为¥0.02、¥1和¥4，高峰时段翻倍至¥0.04、¥2和¥8。

将其与它正在取代的模型相比。DeepSeek V4 Pro 在非高峰时段的收费为每 1M 缓存命中输入 $0.022、缓存未命中输入 $0.66、输出 $1.98——缓存未命中输入约贵 4.4 倍，输出约贵 3.3 倍。这些就是 9 月 14 日的改道计划本会适用于每一次 deepseek-v4-pro 调用的数字，这也是为什么该计划既是一个能力故事，也同样是一个价格故事；而这些数字仍然是这一比较值得关注的原因：DeepSeek 撤回的是改道计划，而不是价目表。Artificial Analysis 根据其自身价目得出相同的算术结果——V4.1 Flash 为每 1M $0.30 和 $1.20，而 DeepSeek V4 Pro 0813 为 $1.32 和 $3.96，同样是 4.4 倍和 3.3 倍；按该网站 7:2:1 的缓存命中、输入和输出组合计算，混合价格为每 1M $0.18。该价目表也低于它要淘汰的 DeepSeek V4 Flash 0731，同一网站将其列为 $0.44 和 $1.32。

每 token 的价格并不等于每任务成本，而这次 beta 测试正是这一点的证据。首日测试者反馈，在新模型上跑五分钟的会话，余额掉得比在 DeepSeek V4 Flash 上同样五分钟墙钟时间还快，因为这个模型天生就出 token 快，而账单按 token 计价，不按分钟计价。如果完成一个任务所需的 token 量相当，那么价格只有 Pro 四分之一的卡就是划算的；如果模型为了达到同样结果要多想一会儿，那这笔账就打平了。

在该问题上，外部数字确实存在时，它指向两个方向。Artificial Analysis 在其自己的评估集上，将 DeepSeek V4.1 Flash 的每个 Intelligence Index 任务成本定为 0.27 美元——这是一个真实的每任务数字，由 DeepSeek 外部产生，而且很低。但同一次运行生成了 2.5 亿输出 token，而可比模型的中位数为 1.4 亿；该网站的总结在称该模型快速的同时，又称其非常啰嗦。冗长在基准测试框架内是免费的，在生产中却很昂贵，而这正是 beta 测试者所描述的机制：他们报告余额按实际耗时消耗得更快。关于每任务问题的诚实状况是，一个独立评估者现在已在其自己的评估集上测量了该问题的两个方面，而答案仍取决于你运行的是什么。综合指标无法显示额外输出去了哪里，beta 测试者也从未说明。首批上手报告则说明了，它们就在下文的速度部分：该模型啰嗦是因为它在检查。10 月 17 日的更新是 DeepSeek 首次声称改变了那个数字：更新日志称新检查点“减少了任务运行时间和输出长度”，几小时后的帖子用更少的话说了同样的事——“任务完成更快，输出更短。”这是 DeepSeek 以自己的权威，回应外部测量所抱怨的确切数量，而两项声明都未附具体数字。10 月 18 日首次对其进行外部观察，发现总量下降——整个指数为 2.1 亿输出 token，而 9 月为 2.5 亿——每任务数字持平，为 89,495 个 token，而此前为 88,574。

一个月的费用：80 美元额度，然后是免费套餐

上面那张卡片回答的是每个 token 要花多少钱。另一个数字已经变动过两次，而两次都来自 OpenCode——这个编程智能体的 Go 订阅把访问该模型定价为按月用量额度，而非按计量 token 计费——并且它说的是自己的订阅，而不是该模型。9 月 25 日，该平台的账号发帖称：“Operation Cheepseek 第二阶段：DeepSeek v4.1 Flash 的 60 美元用量现已永久生效。”10 月 12 日，它以同样的格式发布了续篇——“Operation Cheepseek 第三阶段：DeepSeek V4.1 Flash 的 80 美元用量”——而其定价页面上这款模型的价格显示为 80 美元，而在 9 月下旬那里显示的是 60 美元。10 月 13 日，针对同一页面再次采集了这一读数，返回的仍是同一行：每月 10 美元的 Go 档位为 80 美元，Go Plus 为 160 美元。因此，这个数字并不是某条帖子对自身的宣称；它是一个平台为承载该模型而公布的价格，而且一天之后它依然在那里。把两条帖子放在一起读，它们说明了“永久”最终意味着什么：没有失效日期——以及三周之后一个更高的数字。这一变化不是通往该模型的新途径——那要三天之后才出现，就在下面那一段里。自 9 月 10 日起，DeepSeek V4.1 Flash 就已在 DeepSeek 自家 API 上作答，而 OrcaRouter 自发布以来一直按 DeepSeek 自己的费率承载它，因此本文中的权重、架构以及每一行基准测试数据都不会因订阅重新定价而改变；10 月改变的是谁愿意承载这个模型，以及以什么条件承载。

免费条目与前两者属于不同类型的变动，而且是这三者中唯一一个会改变读者本周能做什么的变动。10 月 15 日，OpenCode 为这个模型新增了一个单独的条目——DeepSeek V4.1 Flash Free，模型 id 为 deepseek-v4.1-flash-free——免费提供服务。该平台的公开模型列表将其与按量计费的 id 并列返回，其 Console 文档中包含一条免费模型条目，称其限时免费，并称其提供商遵循零保留政策、不会利用数据训练，而其公布的价格表将输入、输出和缓存读取均标为 Free。它并不是完整的产品。该免费条目的著录限制——于 10 月 15 日加入 models.dev，即 OpenCode 自身模型列表所取自的目录——将按量计费的条目命名为基础模型，并将窗口上限设为 200,000 个 token、输出上限为 32,000 个 token，而按量计费的 deepseek-v4.1-flash 条目则具有 1M 上下文和 384K 最大输出。这是在更窄的服务条款背后使用相同的权重，而非一个更小或经过蒸馏的模型；输出上限是智能体任务中最先触发的条款，因为单次文件编辑就可能超出该上限。该平台没有为这一安排附上终止日期，也没有为其发布价目表，因为根本不存在费率。这一切都不是来自 DeepSeek：它是一个平台对一款它并不拥有的模型所做的商业决定，陈述于其自己的模型列表、自己的文档和自己的价格表上，而且它是这一切的唯一来源——我们没有找到关于该免费端点在负载下表现如何的独立测量，而“限时”是平台的措辞，而非一个时间表。请将其理解为如今把 200,000-token 窗口摆在这个模型面前的最便宜方式，而不是将其理解为对该模型本身的改变。

这些计费机制来自那个定价页面，该页面于10月12日查阅、10月13日再次查阅。Go 是每月 10 美元的订阅服务，其表格将其中每个模型与每五小时的预估请求数和每月使用上限配对，两个层级分列在不同列中。DeepSeek V4.1 Flash 拥有页面上最大的额度：在 Go 上为每月 80 美元和每五小时 34,670 次预估请求，在 Go Plus 上翻倍至 160 美元和 69,330 次。这些行按 DeepSeek 自己的价目卡为该模型计费——每 100 万输入 token 0.15 美元、输出 0.60 美元，非高峰时段缓存读取 0.003 美元，在工作日高峰时段内翻倍至 0.30、1.20 和 0.006 美元——这些都是供应商的数据，自本节此前已包含的 9 月查阅以来未变。当时页面显示的两项内容如今已不在页面上，两者都值得指出，因为早前的查阅依赖于它们：三桶消耗规则——任意五小时内 20%、一周内 50%、一个月内 100%——不再出现；而请求预估最初读取自的文档 URL opencode.ai/docs/go 在我们核查时返回 404。上述请求数是平台基于其未公布的调用形态所做的计算，并非我们的计算。

这一变化可以对照页面核实，现在已经不止一次这一事实同样可以核实。九月下旬，同样这些行显示为 60 美元，且未附带到期时间；此前一笔 15 美元的促销额度被乘以四倍至 60 美元，并以 9 月 20 日作为倍增失效日期；请求量估算分两列发布：标准情况为 6,500 / 16,250 / 32,500，应用倍增后为 26,000 / 65,000 / 130,000。两种解读下，这些行都显示 80 美元，而该模型公布的估算为每五小时 34,670 次、每月 69,330 次——更高的美元额度旁边，却是比九月扩展组更低的月度请求数，这两者不可能同时描述同一种假定的调用形态。页面未说明 token 构成，也未提供解释，因此这一差异是有关这两种解读的事实，而不是我们能从外部厘清的事情。这些费率本身从来不是 DeepSeek 价目表上的折扣——按 token 计价一直是这家供应商的做法，现在依然如此。额度并不说明任何质量问题：它是一个平台的判断，即自己能够以那些费率、在没有截止期限的情况下承载该模型的流量；这是关于服务生态而非模型本身的证据。

当你做选择时，这种区别很重要，因为固定上限和透传计量是两种不同的产品。DeepSeek V4.1 Flash 在 OrcaRouter 上按 DeepSeek 自己的费率提供，0% 加价——非高峰时段每 100 万输入 token 0.15 美元、每 100 万输出 token 0.60 美元，与上方卡片列出的数字相同，且不捆绑任何东西：无需购买订阅，也没有每月额度会用完。固定月费上的 80 美元上限，适合一名全天运行智能体的开发者，因为他关心的是这个月要花多少钱——而这个已经上调过一次、幅度三分之一的上限也提醒人们：这个数字是商业决策，而不是模型本身的属性。带有 200,000 token 窗口的免费层级，适合本周试用该模型，却不适合需要完整窗口的代码库，而这正是同一模型的两个层级唯一不共享的一点。原样透传的厂商价格适合服务，因为这时关心的是每次调用成本，以及提供商的下一次价格变动是否会在发生当天传导到你这里。两者都回答了该模型成本是多少；只是它们面向不同的支出者作答。

速度：测试版的数字、制造商的宣称，以及引擎自身的前后对比

beta 版开放时，吞吐量是最受关注的焦点。开发者报告称，在长文本生成中输出速度约为每秒 420 个 token，峰值超过 500；一次被广泛分享的运行在三分钟内生成了超过 71,000 个 token。这些仍然是社区在不受控条件下进行的测量，也仍应被这样看待——但其背后的机制如今已有文档记录，而非仅靠猜测。每个 token 890 字节的 KV 缓存，以及一条激活 16B 参数的解码路径，是一种为吞吐量而构建的设计，因此该架构至少具备产生这类数字的正确形态。它们实际有多大是下一段要处理的问题，而答案要更小。

DeepSeek 自己在更新日志中的说法是，V4.1 Flash“在性能、成本、速度和总时间上已全面超越 V4 Pro”。这里真正起作用的是“总时间”一词：厂商把速度表述为任务完成情况，而不是每秒令牌数，而后者才是能经受真实智能体循环考验的指标——该循环会写入文件、读取错误并重试。Artificial Analysis 如今为这一较早的说法给出了实测数字：DeepSeek V4.1 Flash 为每秒 185 个输出令牌，而 DeepSeek V4 Flash 0731 为每秒 175 个。这是一个真实的第三方数字，约为开发者们在测试版期间报告的每秒 420 个令牌的一半，这也是为什么测试版数据应留在它该在的位置——非受控条件栏。

10 月 7 日，vLLM 项目公布了自发布以来三周的核算结果，这是本文中第一个既不是 token 计数器、也不是厂商口号的实测速度数字。该项目以 Inferact 和 vLLM 团队的名义报告称，DeepSeek V4.1 Flash 在其当前构建上，低并发时比其自己的第 0 天实现快 1.9 倍，并在 150 TPS 约束下提供 5.3 倍吞吐量——这是其摘要所载的数字，而同一篇文章正文中写的是“约 5 倍”。两者均在 SemiAnalysis AgentX 智能体服务基准上测得，低延迟数字背后是 TP4 和 FlashInfer 注意力，吞吐量数字背后是 DEP2 与数据并行注意力，硬件为 NVIDIA GB200 和 GB300。关于这一结果，有三件事值得厘清。这是 vLLM 与 vLLM 自身的比较：基线是该项目的第 0 天配方，而不是另一个引擎或另一个模型，因此这个数字说明的是服务栈改进了多少，而不是该模型与其他任何对象相比如何。这是运行时对自身工作的自述，尚无第三方复现。而最大的单项增益来自运行时而非权重——SWA 有界重放只重跑滑动窗口的最后 128 个 token，而不是在各层之间重放整个窗口；现在只需一个标志位即可对此模型默认启用。该项目报告称，重放加上 CUDA 图捕获使首 token 时间缩短约 30%，解码器侧裁剪使预填充计算量减少 30–40%，而在约 100K 吞吐量下，三项优化叠加后 TTFT 缩短近 70%。它还报告了重放会在何处造成损失：在没有 CUDA 图的情况下，它在短提示上比基线更慢，在 1K token 时最多差 12%，因为启动开销超过了节省的工作量。准确率在 GSM8K 和 GPQA 上进行了检查，未报告有显著差异，差距在约 1.5 个标准误以内——这个数字应与报告自身所称的有界重放是近似而非精确的说法对照来看。该项目补充说，在基准测试中该模型在任何环节都不需要 KV-cache 卸载，并预计只有在更高并发、且预填充与解码拆分到不同机器上时，卸载才开始划算。这与下文的内核榜是不同的测量：后者给模型编写的内核打分；vLLM 的数字关注的是，一旦某个引擎实现了该模型的架构，服务该模型的成本是多少，而这里的引擎正是报告方本身。该项目于 10 月 17 日再次发文，当天 DeepSeek 更换了检查点，它拿来打头阵的是另一种数字：在 SemiAnalysis AgentX 上，按总拥有成本计算每美元 13 亿 token，每 GPU 每秒 830,000 个 token，缓存、输入和输出 token 合并计数，同时为每位用户保持每秒 100 个输出 token。这是一个服务成本结果，而不是速度增量；下文的服务成本部分会完整解读它。关于它，有三件事与这一段相关：它仍是 10 月 7 日核算三周之后的同一个项目、同一个模型和同一个基准；该项目将那次核算定位为第一章，智能体吞吐量达到第 0 天的 5 倍，并称下一章尚待到来，此后其博客上再未出现第二篇 DeepSeek 文章；而成本曲线仍然属于运行时这一方的账本，而不是对模型的外部评判。这一区别也正是为什么这个数字对永远不会运行节点的人也很重要。这些工作没有一项需要调用方来做：在低并发下提速 1.9 倍的服务栈，会让它处理的请求更快；而通过 API 访问这个模型，是大多数团队在不拥有硬件的情况下从中受益的方式。DeepSeek V4.1 Flash 已在 OrcaRouter 上以 DeepSeek 自身费率、0% 加价提供，使用与该系列其余模型相同的 OpenAI 兼容密钥，并以一个经过验证的模型作为自动故障转移兜底——模型和定价按提供商的节奏变动，引擎选择则仍留在提供商这一侧。

服务成本几何：首批独立硬件数据

以上所有内容衡量的都是模型本身。10 月 14 日，Artificial Analysis 将 DeepSeek V4.1 Flash 纳入了 AA-AgentPerf——这是它用来针对加速器系统而非模型运行的基准测试，其结果是首次公开回答了一个价格表无法解答的问题：一兆瓦数据中心电力能承载多少该模型的负载。AA-AgentPerf 会在真实的在线服务栈上回放录制的编码智能体会话——多轮推理、工具调用、超过 100K token 的上下文，以及提示缓存命中——并找出系统在每个智能体仍能达到单个智能体速度目标的前提下所能支撑的最大并发智能体数量。对于该模型而言，最引人注目的是 NVIDIA 的机架级产品。在每用户每秒 100 个输出 token 的条件下，GB300 NVL72 以每兆瓦约 2.61 亿 token/秒的成绩领跑，领先于 B300 的约 2.2 亿、B200 的 1.93 亿、GB200 的 1.78 亿，以及 AMD MI355X 的 1.28 亿。这些是 Artificial Analysis 的数据，取自其今日的数据中心推理页面，且是它对特定硬件和服务配置的实测结果，而非厂商提供的数据。有两个细节值得关注。每兆瓦的数字是根据运行期间实测的加速器功耗——GPU 裸片加 HBM——计算得出的，而非依据额定 TDP。而且图表上的每个数据点都标明了其背后的引擎、版本和数值格式，因此该数字所描述的是整个服务栈，而不仅仅是权重。

这个模型的图表之所以与其他的不同，原因在于它的规模。DeepSeek V4.1 Flash 最少只需两块加速器就能装下，因此机架级系统在这里获得的优势不如在更大模型上那么明显：Artificial Analysis 报告称，B300 在整个曲线上与 GB300 NVL72 的差距保持在约 20% 以内，并在两端领先——在允许单用户速度下降时，它拥有最高的每兆瓦吞吐量；在不允许时，它是最快的单智能体。批大小为 1 时，所有 Blackwell 部件和 MI355X 的单用户吞吐量大约落在每秒 600 到 670 个 token 之间，而 H100 和 H200 为 372 到 392。在同一坐标轴上与 DeepSeek V4 Pro 0813 对比，在 100 tok/s 标记处，较小模型在 GB300 上带来约 1.3 倍的每兆瓦吞吐量，在 B200 上约为 6.2 倍——这正是架构部分从 KV-cache 侧提出的效率主张，而它来自一个测量了系统而非规格说明的第三方。这些数字背后的配置表明，该设计的核心技巧已进入生产环境，而不只是停留在纸面上：在 B300 和 MI355X 的双加速器运行中，196B Engram 表通过 vLLM 的 CPU 卸载路径从 pinned 主机内存中提供，而不是驻留在加速器上——发布说明中描述过的机制，如今出现在已发布测量背后的设置中。 第二个成本数字以另一种货币单位出现，来自 10 月 7 日那篇 vLLM 帖子进行测量所依据的基准测试。10 月 17 日，vLLM 项目发布了一张图表，将 DeepSeek V4.1 Flash 在 SemiAnalysis AgentX 上按总拥有成本计为每美元 13 亿 token，并分别为 Dynamo 下的 GB300 NVL72、GB200 NVL72、B200、H100 和 MI300X 给出了独立曲线。其背后的成本档位标注为“以大型超大规模厂商体量持有”，底层的芯片小时假设从 MI300X 的 0.95 美元、H100 的 1.17 美元，延伸到 B200 的 1.73 美元和 GB300 的 2.31 美元，取自 SemiAnalysis 自己 2026 年 7 月的定价调查。这伴随两个限制。其一，这是 vLLM 项目在报告 SemiAnalysis 的成本模型，且双方都尚未让其得到复现。其二，该图表的日期是 10 月 16 日，即 DeepSeek 更换该模型名称背后权重的头一天，因此它描述的同样是 9 月检查点。这样一来，本文针对同一个模型出现了三种计价单位：每用户每秒 token 数、每兆瓦每秒 token 数，以及每美元 token 数。 最后一种是没有数据中心的买家可以据以行动的指标，因为供应商的成本改善最终正是以这个量传递到他们那里。它仍然是一项服务测量，而非质量测量：这里没有任何内容说明该模型有多好，而且某个排行榜的硬件结果并不是对上述任何一行基准测试结果的复现。它确实确立的是，这个模型价目表上的成本一侧如今有了外部证据作为支撑。一个供应商能够以数倍每兆瓦吞吐量来服务的模型，就是供应商有能力维持低价的模型；而 DeepSeek V4.1 Flash 在 OrcaRouter 上以 DeepSeek 自己的标价、0% 加价提供，这正是把供应商的成本改善传导出去、而不是截留下来的形态。

该引擎在两家的芯片上成本是多少

直到本周，关于这个模型的吞吐量问题，只有其他人的测量结果能回答——运行时统计自身的工作量、基准测试站点测量一个系统、开发人员在 beta 中统计 token。DeepSeek 本周以 Apache-2.0 开源了 DeepInfer，它称该框架为这个模型的生产服务提供支撑——仓库于 10 月 16 日出现，首个提交于 10 月 20 日落地——并随附了一张针对 1017 检查点的解码帕累托图，该图是在一个 scale-up 域内的 64 个 SM100 加速器上测得的。图上印出的配置才是关键，因为下面的比较正取决于这一配置：专家并行度 64 对数据并行度 64、图上印出的“384+64 experts”、131,072 token 上下文、DSpark 草稿长度固定为三个 token，以及每 token 75% 的接受率。曲线在其交互性最低的一端最高接近每加速器每秒 30,000 个输出 token，随着每用户速度超过每秒 100 token，降至 20,000 多的中段，到图表右边缘时则降至几千。这是 DeepSeek 用自己的引擎在自己的模型上进行的测量，所以它不是独立数字——但它是构建该架构的实验室为该架构发布的第一条解码曲线，而且生成它的扫描脚本就在同一个仓库中。

与代码一同发布的说明文档给出了工作点，这也是下文数字以每用户每秒 230 个输出 token（编码工作负载下为 300 个）来引用、而不是引用某个抽象最大值的原因。DeepSeek 自己的生产数据表明，解码速度为每加速器每秒 14K 个 token，而服务可维持每用户每秒 230 个输出 token——编码工作负载下为 300 个——对应的输入缓存命中率为 96%，平均输入为 77K 个 token，首 token 时间均值为 400 毫秒、p99 为 1 秒，预填充与解码的资源配置比例接近 1:1，并且这一切都运行在它声称每天可服务 155 万亿个 token 的单一集群上。这些数字旁边的收入数据是每加速器小时 38 美元（非高峰定价），这是 DeepSeek 首次公开为其模型提供服务所附上的成本数字。这些数据均未经审计，全部是厂商对自身服务的描述，但它仍是目前关于这种架构运行成本最具体的图景。

对比的另一半来自华为的芯片，而这部分是来源更弱的一半。一份日期为9月30日、标题为“Ascend 950DT DeepSeek-V4.1-Flash Benchmark”的基准测试表报告称，该模型部署在32颗芯片上，采用FP8–FP4混合精度，使用数据并行注意力和专家并行混合专家，序列长度为128K个token，使用DSpark投机解码，并采用强制的专家并行负载均衡器配置，平均接受长度为4.1个token。它包含三个数据点。其延迟列是每个输出token的时间，因此每个条目的倒数就是该行的每用户速度，而正是这一点使得该表可以与曲线进行对照：

• 全局批大小为 1,536，每个输出 token 耗时 9.41 毫秒——每用户每秒约 106 个输出 token——每芯片每秒 5,102 个 token。

• 全局批大小为 384，每个输出 token 耗时 4.40 ms——约每用户每秒 227 个输出 token——每芯片每秒 2,727 个 token。

• 全局批次 2,560，每个输出 token 耗时 13.79 毫秒——约合每用户每秒 73 个输出 token——每芯片每秒 5,800 个 token，是表格中最高的数字，也是其标题所采用的数字。

与 NVIDIA 曲线对照时，中间两行才是最要命的，因为它们正处在服务实际运行的速度区间。曝光这张表的帖子将比较解读为：每加速器每秒 25,500 个 token，对比每用户每秒输出 100 个 token 时的 5,102；以及 20,000 对比 230 时的 2,727——在第一个运行点上相差五倍，在第二个运行点上相差 7.4×。直接读取同一张公开曲线会让 NVIDIA 的这些数字有所浮动：对图像做像素级读取后，在 100 token 标记处更接近 28,000，在 230 处更接近 17,000，分别落在帖子数字的两侧；他们给出的区间在第一个运行点约为五倍半，在第二个运行点约为六倍，这缩小了帖子的范围，却没有改变其形态。这就是从图表上读出的基准值的价值所在，而且它不会改变结果的方向。还值得注意的是，表格中 5,800 这个头条数字是其交互性最低的一行——这是 NVIDIA 曲线最接近自身峰值的位置，也是比率回到约五倍的位置。

我在 DeepSeek 或华为自己的页面上找不到那张表；它是作为附在 X 上一个帖子串中的图片传到本文的，而那三个 Ascend 数值应被视为未公开的厂商基准测试，除非有人公布其背后的运行结果。可核查的是配置上的不对称，而这来自 DeepSeek 自己的文档。DeepInfer 的部署说明建议预填充采用 2 到 8 的专家并行度，解码采用 64 到 128，即“预填充用普通的 8 GPU 机器，解码用普通的 64–128 GPU 超级节点”。在 NVIDIA 上，这是一个单一 NVLink 域，上面的图表就是在这样的域内测得的。在 Ascend 上，DeepSeek 自己的通信库明确指出了哪些尚未完成：“更大的 EP 规模和 combine 仍在优化中”，其中 combine 会带来额外的本地归约开销，并与 URMA 路径争用 HBM，而且华为的固件工作仍待完成——这一注意事项自 9 月 29 日 DeepEP-Ascend 首次发布以来就是公开的。这才是解读这一差距的公平方式：NVIDIA 的数字来自 DeepInfer 所针对调优的形态，而 Ascend 的数字来自一个其作者自己都说宽 EP 路径仍在开发中的技术栈。五到七倍中的一部分来自芯片，一部分来自互连及其下方的软件，而没有人把两者区分开来。

这个差距值多少钱，取决于无人公布过的价格，而该讨论帖还是照样算了一遍：按灰色市场整机架报价外推，每块 Blackwell 加速器约 139,000 美元，而传闻中 950DT 为 37,000 美元，因此仅从购置成本看，NVIDIA 每颗芯片必须提供约 3.8 倍的吞吐量才能与 Ascend 打平；该帖给出的交叉点约为每芯片每秒 6,800 个 token。已公布的 Ascend 数据点低于这条线；该帖预测 wide-EP 路径会将其提升到 8,000–10,000，这高于该线，而这是预测而非实测。每个输入都很软——一个灰色市场价格、一个传闻价格，以及从曲线上读出的数字——而且这些都没有考虑网络、功耗、散热、维护，或究竟能否买到硬件这一点的价值。

对于永远不会上架节点的人来说，有用的部分不是排行榜。真正有用的是：DeepSeek 产品线中最便宜的模型，如今已有文档证明，它在两家供应商的芯片上都能以低成本提供服务，供应商自家的引擎已经公开，背后的数据也可下载——这正是价格所依赖的那类证据。它不会改变任何价目表：DeepSeek V4.1 Flash 在 OrcaRouter 上按提供商自己的标价提供，非高峰时段每 100 万输入 token 0.15 美元、每 100 万输出 token 0.60 美元，以 0% 加价直通，因此当提供商的服务成本下降时，节省下来的部分会体现为一个无需调整的价格，而不是转售利润。在两家供应商的硬件上被反复论证过的服务成本，比完全无人测量过的成本，能为价格留出更大的下探空间。

内核工程：首个不属于 DeepSeek 的记分牌

上面这些基准测试行是 DeepSeek 自家测试框架给出的数字，而现在已有的外部得分衡量的是通用推理和网络攻击利用，而非底层编程。对该模型内核工程的首个第三方评估也已存在，而且它以一种 DeepSeek 并未委托的形式出现：一个由社区运行的智能体基准测试，要求模型编写真实的 CUDA 内核，并根据 roofline——硬件的理论性能上限——来给结果打分。该排行榜是 kernelbench.com，运行在 RTX PRO 6000 上，且独立于两家厂商。其审计方法是社区报告而非同行评审的，因此请将其百分比视为方向性的第三方信号，而非经过认证的测量结果；这也是本报道中第一个将 DeepSeek 的数字与直接竞争对手并列的排行榜。

最引人注目的那一行，正是这套架构围绕其构建的。DeepSeek V4.1 Flash 自身的稀疏注意力——即产生每 token 890 字节缓存的 CSA2 栈——由该模型编写为 CUDA 内核，并达到稠密等效 roofline 的 50.19%，在榜单上位列第四，落后于 106.27% 的 Claude Fable 5.1、103.67% 的 Claude Opus 5 和 72.66% 的 Claude Fable 5。首先要注意的是，这家厂商自己的架构正是它最擅长的内核：一个在稀疏注意力设计上训练的模型，编写稀疏注意力内核的效率高于榜单前三名以下的其他任何东西。第二点是爆料者所标记的对比。GLM-5.3 Flash 对同一内核的尝试仅达到 roofline 的 4.45%——在同一榜单的同一行上比 V4.1 Flash 低一个数量级。这个差距，而非 DeepSeek 发布的任何基准测试，才是“内核工程上的巨大提升”的含义。

这项对比并不止于稀疏注意力那一行，而更完整的图景之所以重要，是因为这条推文的标题写的是 GLM-5.3 Flash，但它所引用、转述的那篇文章实际上在其自己的 fused-MoE 行上提到的是另一个规模更大的 GLM-5.2——这种命名上的不一致值得谨慎对待。在两个 flash 级模型都真正完成运行的那些行上，V4.1 Flash 全部胜出：Kimi-Linear Decode 为 17.10×，对比 13.64×；MegaQwen Decode 为 roofline 的 5.39%，对比 3.92%；TopK Bitonic 为 4.25%，而 GLM-5.3 Flash 为 7.17%；Sonic MoE 为 10.81%（这是榜单上任何模型在该内核上取得的最好成绩），对比 10.21%；KDA CUTLASS 为 3.74%，对比 2.26%。在另外两个内核上，GLM-5.3 Flash 根本没有完成任何运行——fused MoE 以及 Grid + MinGRU 模拟内核，而 V4.1 Flash 在这两个内核上的成绩是 roofline 的 28.56%。（GLM-5.3 Flash 唯一胜过 V4.1 Flash 的那一行是 TopK Bitonic，7.17% 对 4.25%，而这同样是两个模型都远不及榜单领先者的那一行。）大致格局与标题所述一致：在底层 GPU 工作上，V4.1 Flash 不只是领先于规模更小的 Z.ai 模型——而是完全不在一个量级；在最难的两个内核上，较小的那个模型甚至无法完成。

榜单没有做到的是，告诉你这一差距中有多少来自模型本身，又有多少来自它被要求为其编写内核的架构。DeepSeek V4.1 Flash 是一个 552B 参数模型，其自身的注意力就是稀疏注意力设计；GLM-5.3 Flash 则是更小的模型，其训练从未围绕同一个 CSA2 栈展开。一个被要求为某种架构编写内核、而该架构又与其自身训练分布相似的模型，具有天然优势，这也是为什么对榜单最公平的解读是方向性的，而非正面对决式的结论：内核工程如今已是该模型的一项可衡量能力，它确实很强，而爆料者所做的具体比较在双方共有的行上依然成立。榜单还回答了一个规格表无法回答的问题：这个 890 字节缓存是否能在实践中落地。一个能写出自己的稀疏注意力内核、并达到 roofline 一半性能的模型，其核心设计至少能由最终必须将其服务化的同类工程师在真实硬件上实现。

老实说，这个结果在这篇文章中的位置和其余所有内容一样：又一项并非由 DeepSeek 自己产出的第三方测量，这一次针对的是一项没有任何厂商基准测试行覆盖的能力——GPU 内核编写。它基于单一 GPU 代上的单个社区榜单，只跑了一次，而且其审计环节未经同行评审，因此它是关于方向的证据，而不是一份经认证的分数。但它是第一个外部数字，显示出这套新架构的用途：一个廉价的 Flash 层级模型，在被要求去做 DeepSeek 自己投入工程精力去做的底层系统工作时，能达到硬件所允许水平的约一半，而其直接的 flash 层级竞争对手连二十分之一都达不到。

快速修复，缓慢确认：首批上手报告

吞吐量是速度叙事中词元计数器看不到的那一半。自发布以来积累的实测报告衡量的是另一半——模型在走向答案的过程中如何表现，以及这种行为要付出什么代价——而它们对于自己所发现的是否算得上一种特性并不一致。三份独立叙述描述了相同的模式。它们没有一个是受控评估；下面的数字来自运行自己任务的个人实践者，应被当作使用报告而非测量结果来解读。

对这种行为最清晰的描述来自 MindStudio，它让 DeepSeek V4.1 Flash 从零开始构建一个交互式 3D 查看器。用评审者的话说，其推理轨迹“显示它在验证自己的数学，而不是仅仅输出代码。”该模型在构建过程中发现了一个轨道控制阻尼 bug，从第一性原理出发推导出修正方案，然后“在宣布任务完成前，在无头浏览器中重新检查了修复。”在第二个任务——一个基于 Docker 的仪表板——中，它发现了一个被写反的比较运算符，并通过在数字更新时对实时端点轮询八次来确认修复。这正是 beta 版测试人员在称该模型“想太多”时所描述的情况，而且其中每一个单独步骤都没有问题：错误被发现、修复并验证。这也正是抱怨所在。这个 bug 已经被处理过了，另一个 DeepSeek 会话已经在一分钟内确认了修复，而该模型还是继续检查。MindStudio 将这一习惯视为优点，并明确表示如此；它在那个测试中唯一的批评是一个物理问题：第一次尝试时它陷入循环，直到被手动停止，然后在重试时正确解出。

从另一个方向的解读谈的是时钟。一份社区整理的 V4.1 Flash 测试合集描述了一个物理问题——一个以斜角切割的水杯——模型在得出正确答案的过程中花了十二分钟和大约 130,000 个 token，在收敛之前进行了三轮并未被要求进行的自我验证。同一篇文章记录了这种习惯走到极端的失败模式：思维链偶尔会陷入“让我写”的重复循环，以大约每秒 200 个 token 的速度空转，却没有任何进展；其建议是客户端侧的，而非模型侧的——设置 max_tokens 上限和请求超时，让它们截断循环。它还记录到，同一类问题在一次将推理强度调低到 low 的运行中，仅用十八秒就被解决了；这提醒人们，其中大部分只是一个可调旋钮，而不是缺陷。

验证数量不等于正确性，最有力的证据来自 Tencent Cloud Labs 的一项评审，该评审在一篇论文复现中将 DeepSeek V4.1 Flash 作为实现者，与作为评审者的 GPT-6 Astra 配对。进行了三轮，Astra 从未推翻核心算法。评审者一轮又一轮不断纠正的，是 V4.1 Flash 为自己搭建的脚手架——其实验设置、统计构造，以及它从自身结果中得出的解释。测试数量从 82 增加到 97，再到 110，而它们每次全部通过。相对于暴力基线，在论文自身参数下，模型所选择的配置有 8.89% 的情况与最优配置一致；在使用随机化置信度时为 11.04%，在随机化配置下为 10.30%。Astra 最尖锐的发现涉及一个声称检查整数边界的测试：它执行了 153 次扩展检查，而整数边界分支为零。一个模型可以通过自己编写的测试套件，却仍然没有回答那个问题，而这项评审正是这种差距的一个实例，而不是断言差距存在。范围很窄，作者也承认这一点——只有一个推测长度选择器、模拟的置信度值、没有端到端运行——但其形态与其他报告所描述的相同。

将这一点与 Artificial Analysis 的数据放在一起看，它就不再像是一则轶事了。对该模型的首次独立评估同时测得它既非常快又非常啰嗦：每秒输出 185 个 token，在其评估集上共生成 2.5 亿个输出 token，而同类模型的中位数为 1.4 亿个。综合评分无法说明多出来的输出去了哪里。上手体验报告可以。这些 token 不是填充——它们是模型在检查。同样的体量从一个不相关的方向显现出来：一份关于第三方终端客户端的缺陷报告显示，在 deepseek-flash 路由上，推理内容被追加到可见答案中，而不是被分离到思考块里，从而产生单个文本块中多达 73,003 个字符的内心独白，且没有任何内容被捕获以供后续轮次回放。那个缺陷属于客户端，而不属于 DeepSeek，它也不是关于质量的证据——但它恰当地说明了当测试框架未能将其分离时，这个模型会输出多少思考内容。

这些都不推翻上面的价格算术，只是解释了它。一个能自我验证的模型在智能体式（agentic）工作中值回它的 token 成本——在那里，一次错误的修复比用来证明改对了所花的 token 更贵——而在那种确认本身占掉大半运行时间的、由琐碎编辑构成的长循环里，它并不合适。有两件事让这种差距变得可控。推理力度旋钮是 1 到 100 的连续整数，而不是三个固定档位，所以同一个模型可以在廉价工作上调低、在困难工作上调高——上面那个十八秒的结果正是这么做出来的。而廉价的安全网应该设在客户端：一个 max_tokens 上限和一条请求超时，能把重复循环从一张账单变成一次被截断的响应。这两者都属于在生产路径指向这个模型之前就该定下来的设置，而这两件事都不是模型会替自己做的。

拒绝：检查点会拒绝，而且这种拒绝是可度量的

10月20日，让 DeepSeek-V4.1-Flash-1017 受到关注的不是某项基准测试成绩，而是一次拒绝。本文此前引用过的 DeepSeek 追踪账号发布了一张截图，内容是一个运行 1017 检查点并应用了 dsh-purge 的智能体会话；该账号称，模型还是拒绝了：用发帖人的话说，这次运行“拒绝采用该人格”，模型给出的理由是，该请求是“一次提示注入尝试”，并且它“不应采用该人格”。该帖的解读是，这个检查点“并非对越狱完全天真”，并且 DeepSeek“开始考虑安全问题”。dsh-purge 并不是粘贴到用户消息里的提示词技巧。它是一个公开的 DeepSeek Harness 插件——截至10月20日在 GitHub 上有 9,897 个星标、版本为 1.1.71——用于剥离 harness 自身的提示词重写和注入后缀，其英文 README 恰好划出了这项测试所针对的区分：harness 会“在运行时重写提示词、审批门、沙箱策略和会话迁移”，因此只问“模型会不会回答”，就会把宿主层的拦截当成模型拒绝，而这个插件存在的目的，就是在你自己的安装中把这两层分开。在这次会话中，分离结果落在模型这一侧。同一张截图中的计数器——156 步、3370 万 token、每秒 232 token——描述的是一次完整的智能体运行，而不是一次性提示，并且该智能体自己的总结说，插件在机制上没有问题，“是那个特定模型拒绝了它”。

那只是某个人对某一次会话的截图，就应该严格按照这一点来理解。提示词没有展示，结论是智能体自己的总结，而不是经过评分的回应；发布者是一个 DeepSeek 观察者，而不是评估实验室，因此帖子中的任何内容都无法仅凭帖子本身复现。它之所以值得认真对待，是因为它的两部分都可以对照独立于发帖人的来源进行核验：插件是公开的，并且说明了自身机制；检查点的拒绝行为现在也已由其他人统计过。

这个数字就在一个衍生模型的相关材料里。一个针对 1017 权重的社区 abliterated 构建于 10 月 17 日发布在 Hugging Face 上，其中附带了使该构建成为必要的测量结果。在 100 条留出的有害请求上，每条以贪婪解码生成 384 个 token，未改动的检查点在聊天模式下拒绝了 97 条，在思考模式下拒绝了 98 条；从 40 个主层中投影剔除一个秩为 2 的拒绝子空间后，同样的 100 条提示分别只得到 4 次和 9 次拒绝。这些是关于 DeepSeek 权重的第三方数字，是在无法访问 DeepSeek 训练流程的情况下得出的；它们也仅来自一个提示集、一个评分器以及模型的一种量化——是 Q8_0 转换，而非 DeepSeek 发布的 FP8——所以诚实的解读是“几乎总是”，而不是“97.0%”。基于这些证据，发帖者的描述成立：该检查点在两种模式下都会可靠地拒绝。

这张图并不支持这样一种看法：这是一种新的姿态。九月的检查点就已经如此。一个无审查九月构建背后的团队，在 HarmBench 完整的 320 条提示集上测量了未经改动的模型，并报告称：关闭推理时攻击成功率为 42.8%，最大努力时为 1.6%——也就是说，这个模型所取代的那个模型一旦被允许思考，就拒绝了该类请求中大约 98% 的部分。这两项测量来自不同的提示集、不同的评分器和不同的量化方式，因此不能相互相减；它们一致的地方在于形态。高努力下的拒绝已经是九月模型的行为，而 1017 检查点处于同一范围。更狭窄的那个主张，才是 10 月 20 日会话实际检验的对象，也是值得保留的那个：这种拒绝在一个专门为移除测试框架侧约束而构建的插件下仍然存在，而且它是作为模型对提示的判断而存活下来，而不是作为宿主层拦截。

供应商没有记录这些内容中的任何一项。DeepSeek 9 月的模型卡有一个评估部分，而且只有基准测试——没有拒答率，没有红队结果，没有安全评估——而 1017 模型卡则完全没有评估部分，因为它随技术报告一起删掉了那个文件夹。因此，这个模型的拒答行为完全由围绕它构建的人来描述：衍生作者统计提示词，以及一个追踪器读取转录记录。对于任何将智能体指向该检查点的人来说，这就是实际存在的缺口。智能体循环中的一次拒答不是内容政策脚注；它是运行中途一次失败的工具调用，并且会像任何其他单次调用失败一样暴露出来——这就是为什么其缓解措施与超时相同。在 OrcaRouter 上，这是一个路由决策，而不是代码更改：1017 检查点以及它会回退到的 DeepSeek 模型都位于同一个端点之后，因此返回拒答的调用可以改为针对第二个模型重试，而不是结束运行。拒答本身属于模型，路由层上的任何东西都不会改变它。

衍生版本数量是最后一块独立证据，而它指向的方向也一样。10 月 20 日在 Hugging Face 上搜索该检查点的名称，返回了 121 个公开仓库，其中 25 个在名称中带有 uncensored、abliterated 或 derisked——这些构建的全部目的就是移除 10 月 20 日那次会话所遇到的行为，其中第一个发布的时间正是权重上线当天。这并不能证明该模型好不好，也不是推荐；它证明的是权重里确实有一个可被移除的有效拒答机制，因为那些专门剥离这类东西的人，在没什么可剥离时根本不会费这个劲。它也为任何自行托管的人设定了预期：你下载的那个检查点就是会拒绝的那个，而那份列表上的每一个无审查变体都是另一个模型，不是一个设置项。

V4 Pro 之问，以及 Flash 之上的梯级

在 beta 测试期间，DeepSeek 的反馈表询问测试者，中间版本“能否完全取代线上 DeepSeek V4 Pro”。这个问题抛给用户相当引人注目，因为它暗示着旗舰版本的未来仍悬而未决。9 月 9 日至 10 日给出的答复是一项运营层面的决定：自北京时间 9 月 14 日 12:00 起，deepseek-v4-pro 将停止提供服务，其流量将迁移至 V4.1 Flash，并按 Flash 的价格计费，同时 V4.1 Pro 被指定为最终继任者。开发者对此表示反对，而反对的理由并非替代方案本身不好——而是模型字符串就是一份契约，在生产 ID 背后替换权重会破坏针对旧模型调优的提示词流水线和智能体循环。两天之内，DeepSeek 撤回了该计划。其更新日志现在写明，它“决定在 2026 年 9 月 14 日之后继续为 DeepSeek V4 Pro 提供 API 服务，计费方式保持不变”，并表示如有变化将另行通知。这一逆转是厂商自行声明的，而非媒体报道，并且可以在“模型与定价”页面上核实，该页面仍将 deepseek-v4-pro 与 deepseek-flash 并列列出。

路由表没有解释的是其中的缘由。9月9日，teortaxesTex——指出该测试版的爆料账号之一——报道称，DeepSeek已承认其 V4-Pro 预训练出了问题；用他的话说，公司在这件事上“搞砸了”。这仍然是来自一个倾向内部人士的账号的单一信源说法，而 DeepSeek 从未公开承认过任何事：更新日志将逐步停用描述为新模型更优秀的结果，而不是旧模型坏了。从外部可以核查的是 8 月 13 日 V4 Pro 正式全面可用发布时的具体情形。公告在约一天内被撤下。Hugging Face 仓库曾短暂以 Pro 之名托管 Flash 层级的配置，随后权重被更正。而对该名称下所提供模型的独立评分仅略高于规模小得多的 DeepSeek V4 Flash，这与官方图表显示的接近旗舰级结果形成对比——在当前 artificial-analysis 指数上，两者仅相差一分，36 对 35。独立报道将原因归咎于不同因素——推理行为对 DeepSeek 自家评估框架过拟合、部署与权重混淆，或者如泄露所称，预训练确实出了岔子。这次路由调整并未判定究竟是哪一种，而 DeepSeek 此后已将其叫停；留下来的事实是，一家厂商将其最新模型定价为旗舰模型缓存未命中费率的四分之一，并在自家基准测试中把它排在旗舰之前，而如果一切按计划进行，公司通常不会这么做。

Flash、Pro、Ultra：DeepSeek 说了什么，以及哪些只是猜测

DeepSeek 自己的文档明确表示，这只是某个更大事物的底层。更新日志将 DeepSeek V4.1 Flash 称为“{{1}}我们新架构系列中规模最小的模型{{/1}}”，并称该架构“{{2}}旨在实现更高的能力上限、更快的推理、更高的吞吐量，以及扩展至更大模型{{/2}}”。技术报告以更强的措辞完成了同样的闭环：该模型“{{3}}是我们持续扩展工作的新起点{{/3}}”，公司还表示，其“{{4}}将推进模型架构、预训练和后训练的联合扩展，以进一步探索模型智能的前沿{{/4}}”。这两句话均属官方表述，均发布于 9 月 10 日，且都不是产品公告。它们使 DeepSeek 承诺在这一设计上构建更大的模型；但既未点名任何模型，也未说明其规模或日期。

那条线之后的一切都是推测。9 月 25 日，追踪账号 @teortaxesTex——也就是本文已经引用其 9 月 9 日关于 V4 Pro 预训练帖子的那个账号——将这个模式解读为一条完整的三层产品线：“DeepSeek 相当明确地表示他们不会止步于此……这听起来像是他们打算做一整套产品线，Flash-Pro-Ultra。也许是 522B-2T-8T？”这些规模数字被给出它们的人标注为猜测，而这种保留措辞确实有实际意义：DeepSeek 的更新日志、模型卡、技术报告、Hugging Face 组织、定价页面或模型列表中，没有任何地方提到 Ultra 层级，也没有任何超过 552B 的数字。这条猜测出的阶梯，其算术也比表面上更站不住脚。它的最底层，522B，并不是已经发布的 552B 模型——要么这个数字是 DeepSeek 已公布数字的笔误，要么它指向一个没人见过的检查点，而外界无法分辨是哪一种。它的最顶层，8T，是 DeepSeek 在 4 月开放其代码仓库的 1.6T 旗舰模型的五倍；而这一年里，该公司最新的发布被设计为每个 token 激活 8B 参数，因为它要解决的约束是推理成本，而不是参数数量。

同一篇报道还另外提到过一款 3 万亿参数的 DeepSeek 模型，称实验室正在研发，但不确定能否在经济上负担得起其服务成本——这是关于另一件事的另一项说法，同样未经证实。两者无需彼此印证，因为两者都没有第二个消息源。可以核实的是方向：一个把自家最新模型称为家族中最小、并称其架构可扩展至更大模型的实验室，必然计划推出高于这一层级的产品。至于它将如何命名这些层级、每一层又有多大，在读者今天能打开的任何文件中都找不到答案。

对于任何根据模型本身而非路线图来做选择的人来说，这一区别就是全部关键所在。即便该系列确实向上延伸，大多数团队面前的决策仍然是是否要迈向已有的那一级——而让这一决策保持开放的最低成本方式并不是等待。DeepSeek V4.1 Flash 已在 OrcaRouter 上以 DeepSeek 自身价格提供，0% 加价，因此如果 Pro 级继任者以不同价格到来，变化会体现在价目表中，而不是合同中。DeepSeek V4 Pro 也由同一密钥支撑，这使得之后到来的第三层级成为一项路由决策，而非迁移。

MIT 权重改变了你能用它做什么

DeepSeek V4.1 Flash 以 MIT 许可证发布，权重于 9月10日在 Hugging Face 的 deepseek-ai 组织下上线——与 API 同日，而非数周之后。该仓库为 deepseek-ai/DeepSeek-V4.1-Flash：48 个 safetensors 分片，总计约 510 GB，旁边还有 PDF 格式的技术报告，以及一个推理文件夹，内含参考实现和一个可将检查点拆分到张量并行 rank 上的转换脚本。该仓库是 9 月的检查点；自 10月17日起的线上版本是 deepseek-ai/DeepSeek-V4.1-Flash-1017，它采用相同的 MIT 许可证、相同的 48 个分片和同样约 510 GB 的大小，但替换了每个分片，并删除了报告、聊天模板和评估文件夹。

有必要明确那次下载究竟是什么，因为它并不是一个全精度版本。safetensors 中约有 204B 参数以 FP8 存储，557B 以 INT8 存储，相比之下只有约 2B 以 BF16 存储，而且配置中声明了 fp8 量化——你拉取的检查点已经是压缩过的，这正是 763B 参数模型能放进约 510 GB 的原因。其中最大的单个块是 Engram 表：两个 FP8 表占了下载内容中约 189 GiB，而每个解码步骤只会从中读取几行。

对于一个拥有 552B 骨干的模型，许可证才是改变决策的部分。MIT 是宽松许可，没有收入门槛，也没有值得进行法律审查的可接受使用附加条款，而激活配置——预填充时每 token 8B，解码时 16B，并带有每 token 890 字节的缓存——才是让它在超大规模云厂商之外部署变得可行的原因，尽管参数数量看起来很大。不过，最后一个数字是整个缓存栈的属性，而不是权重的属性，因此，一个只实现量化格式而未实现设计其余部分的自托管引擎，其数值将远高于它。

宽松许可证并不等于出口许可，而在10月里的六天中，这一区别似乎可能事关重大。10月16日，中国商务部和科学技术部发布了2026年第48号公告，即《禁止或限制出口技术目录》修订草案，首次涉及AI模型权重和源代码。草案拟在AI、生物技术和太阳能领域新增40项内容，其中23项与AI相关，公开征求意见截至11月15日。对于像这样的模型，草案中的两项豁免条款起着主要作用：已通过开源发布或学术发表进入公有领域的技术不在管制之列；面向海外用户的API、app、SaaS以及轻量级端侧访问，不被视为模型技术出口。贸易媒体报道的门槛综合了以下条件：参数规模下限为2万亿、在性能和安全基准上位列全球前十，以及使用核心或重要国家数据训练。一个552B模型满足了第一项；另外两项是否会将其纳入，读者无法从外部判断，因为草案并未公布相关定义——这使得对已发布在Hugging Face上的权重而言，真正关键的条款是公有领域豁免，而非规模测试。

10月22日改变的不是文本，而是合规记录。YuyuantanTan 报道称，DeepSeek 和 MiniMax 已完成备案手续，并完成了开源和海外许可。该报道没有说明它把哪些发布算作开源，没有点名任何模型、检查点或日期，也没有宣布任何新权重；该时间窗口内可见的开源发布是上文提到的 DeepInfer 引擎和 deepseek-recipe 工具包。该说法在构建层面的版本更窄、也更晚：10月23日，一个长期追踪 DeepSeek 的 X 账号发帖称，DeepSeek 和 MiniMax 分别“获得了开源 V4.1F-1017 和 M3.1-Flash 的许可”。这一归因属于发帖者，两家公司均未发布声明确认，也没有监管机构发布公告点名任一公司的备案。帖子提到的检查点早在六天前的10月17日就已以 MIT 许可证存在于 Hugging Face 上。无论授予了什么许可，它都没有成为下载的门槛：仓库先出现。

对读者而言，实际内容比围绕它的标题所呈现的范围更窄，而且它朝两个方向展开。10月17日的检查点、MIT许可证或代码库在10月22日都没有任何变化；上文描述的下载、分片和哈希差异完全保持原样。真正改变的是这个问题的答案：在中国实验室能否在目录仍处于征求意见阶段时继续发布此类权重？官方媒体的说法是，对DeepSeek和MiniMax而言答案是肯定的，依据是一项草案，该草案排除了已经公开的技术，并将API访问留在出口定义之外。局限在于时态。豁免针对的是已处于公有领域的技术，这适用于9月和10月的检查点，但不会自动适用于目录定稿后发布的版本——而据说已于10月16日生效的临时登记义务只是被报道，并未完整公布。任何计划下载DeepSeek下一步发布内容的人，都是在依据一条尚不存在的规则做规划。任何今天调用V4.1 Flash，或运行1017权重的人，依赖的是一项草案所载明、且两种关于临时措施的说法都不与之矛盾的例外安排。

服务支持在同一天到位，并划定了实际下限。vLLM 发布了一份在 NVIDIA 和 AMD 硬件上验证过的发布首日方案，SGLang 则在同一个时间窗口内通过其 Miles 训练栈交付了发布首日推理和 RL 支持。两者都以预览镜像而非稳定包的形式发布——vLLM 容器带有 9 月 9 日的标签，比模型自身的正式发布（GA）还早一天。故事的这一面在 9 月 22 日发生了变化，当时 vLLM 发布了 v0.30.0：这是首个包含该架构的稳定版 vLLM，DeepSeek V4.1 Flash 被列在其新模型支持中，该模型自己的 vLLM 方案现在要求 0.30.0 或更高版本，而发布日镜像标签已停用。发布说明是该项目的自述，而非实测结果，应当据此理解。他们将这一版本归功于通过 SM100 上的 FlashMLA V4.1 记录以 MXFP8 保存模型的整个 KV 缓存，以及为 CPU 卸载的 Engram 查找提供异步预取，外加 Engram 数据并行分片——对于一个其 Engram 表是下载内容中单一最大块的模型来说，这两项更改最为重要。这两项更改都没有项目外部的数字，发布说明也没有附带任何数字——但该项目在 10 月 7 日，即发布三周后，公布了模型整体的前后对比：与自己的发布首日构建相比，低并发下快 1.9 倍，在 150 TPS 约束下吞吐量达到 5.3 倍，并列出了每项优化背后的已合并拉取请求。这些数字及其局限见上文的“速度”部分。不存在的是外部复现——那篇帖子中的每个数字都是项目在自我测量。该发布真正确定的是打包形式：来自 315 位贡献者的 762 次提交，其中 104 位是首次贡献者，且位于带标签的版本中，而不是预览镜像。vLLM 方案自己的算术仍然把最低要求定在约 614 GB 显存，用于 510 GB 检查点加余量——一台八 GPU 的 H200 节点或一个 GB200 NVL4 托盘——并警告说，100 万 token 的上下文在实践中应设上限，而不是想当然。更窄的 KV 缓存改变的是运行引擎所需的内存量，而不是检查点的大小，因此节点下限依然成立。SGLang 的文章增加了一个该架构特有的手段：通过单个环境标志将 Engram 表移入主机内存，在一项四块 GB300 的测试中，在解码吞吐量和首 token 时间相当的情况下，将 KV 缓存容量提高了约 36%；其解码器侧的 SWA 有界重放则在八块 H200 上把预填充吞吐量提升了 1.56 倍。这伴随着两个限制。仓库中的参考实现自称是可读的示例，而非生产级服务引擎；消费级运行时也滞后了：本可让其在笔记本电脑或 Mac Studio 上运行的量化路径在发布时并未开放。简而言之，权重确实是开放的，服务栈也确实存在——但所依托的硬件要以节点而非 GPU 来计数，这就是一个宽松许可证并不自动意味着可在本地构建的诚实原因。1017 仓库丝毫没有改变这个下限——检查点仍然是同样的 510 GB，分布在同样的 48 个分片中，而承载它的运行时说明就是为 9 月权重发布的那份。

开放权重本身并不能提供质量信号——但这一缺口如今已部分弥合，并在10月18日进一步缩小。现在存在四个独立工具，其中一个运行了两次：Artificial Analysis 的智能指数给9月检查点打39分，给1017检查点打45分；上文的 Exploit Bench 研究，一项在七种智能体运行框架下运行的网络基准；下文小节中的社区内核榜单；以及自10月14日起，Artificial Analysis 自家针对该模型的 AA-AgentPerf 结果，它衡量的是模型所部署的硬件，而不是模型本身有多好。上文中 vLLM 项目10月7日的前后对比，衡量的又是另一回事——模型的服务成本，而非模型质量——并且是运行时对自身的说明。这些都不是 ARC Prize 正在构建的那种推理分数；四者中仍有三者描述的是9月检查点；对于本文中大多数具体条目，模型卡仍是唯一来源——但综合分数不再属于该列表：45分及其下方的33.8分，是针对 DeepSeek 今天所提供服务的权重得出的。这不是指控；这是证据的状况，也是本文把两类数字分开的原因。开放权重确实意味着模型不会局限于 DeepSeek 的端点，这对任何阻碍因素是数据驻留而非价格的人来说很重要。

如何采用它而不拿生产环境做赌注

我们这边自发布以来有一件事发生了变化，这使得本节内容比上周本来会更简单：DeepSeek V4.1 Flash 现已上线 OrcaRouter。它通过与该系列其余模型相同的 OpenAI 兼容端点，响应模型 ID deepseek/deepseek-v4.1-flash，并按 DeepSeek 自身的价格计费——非高峰时段每 100 万输入 token 0.15 美元、每 100 万输出 token 0.60 美元、每 100 万缓存读取 0.003 美元，在工作日高峰时段内翻倍——以 0% 加价透传。最后这一点值得明确说明：你被计费的金额是提供商的价格，而不是转售价格，因此供应商降价在这里当天生效，而不是等到合同重新谈判时才生效。DeepSeek V4 Flash 和 DeepSeek V4 Pro 使用同一个密钥，这使得下面的迁移成为路由变更，而不是平台迁移。10 月 17 日的检查点不会改变上述任何内容：DeepSeek 保留了 API 模型名称和费率卡，因此此次更新在我们这边既不改 id 也不改价格，这正是供应商在不触碰二者的情况下刷新模型时，透传所呈现的样子。

这也是不急于迁移的理由。如果 DeepSeek 没有在压力下取消，9 月 14 日的路由调整本会是供应商在你脚下改变某个模型 ID 的含义；而这一事件是近期最清楚的提醒：模型字符串是供应商可以重写的契约——这也为上文关于产品阵容的讨论提供了正确的框架，因为三层级系列只是一种规划，而这个系列已经变过一次。对于一个目前仅有的外部评分只是一个综合指数、一张噪声较大的网络安全评分表和一个社区内核排行榜——而且完全没有生产记录——的模型来说，更稳妥的形态正是路由器天生适合的形态：把一部分生产形态的流量发给新模型，把经过验证的模型放在它后面作为自动故障转移，这样质量回退的代价只是一次重试，而不是一次事故；并让路由 DSL 决定哪些调用值得交给未经证实的模型，哪些应继续留在主力模型上。迁移到 V4.1 Flash 很可能是正确的目标。但这不是一场应该在发布公告时就执行的迁移。

开放性问题

• 独立基准测试——数量已从零增加到四套工具，但其中没有一套能按 ARC Prize 所设想的方式衡量该模型的推理能力。Artificial Analysis 的 39 分是在最大推理强度下对十项评估的综合得分，而其 10 月 18 日发布的 45 分则是同一综合指标针对更新后权重所得的结果。上文提到的 Exploit Bench 研究是在固定 token 预算内的网络利用得分，它将 DeepSeek V4.1 Flash 排在 GLM-5.3-Flash 之下。kernelbench.com 上的社区内核榜是一张内核工程表。Artificial Analysis 于 10 月 14 日发布的 AA-AgentPerf 结果是一张硬件表：每套加速器系统以每兆瓦每秒多少 token 的速率为该模型提供服务，完全不涉及质量。还没有人复现 DeepSeek 的各个单项基准数据行，也没有已发布的独立测量是在生产级推理投入设置下，或在 1M token 窗口的远端进行的。10 月 17 日的检查点不再是未测量的了：10 月 18 日，Artificial Analysis 在其指数上新增了一行 1017，得分为 45，在 Terminal-Bench 4.0 上为 33.8，而该基准数字比厂商表格对同一权重所声称的低 8.5 分。现在缺少的是对该数字的第二方意见——一个评估者、一套评测框架、一次运行——以及针对早于此次替换的四项测量的任何独立得分。为回答推理问题而构建的那项评估仍在建设中——ARC Prize 的基准测试框架中有一个 DeepSeek V4.1 Flash 配置，位于一个开放的拉取请求中，且未附带任何结果——而 ARC-AGI 从未给这个检查点评过分：适配器出现后重新被提及的 ARC-AGI-2 上的 61.4%，属于 DeepSeek V4 Flash 0731，即 V4.1 Flash 所取代的模型。与该模型相关的最新数字，即 DeepSWE v1.1 上的 77.0，是本文中来源最薄弱的一行：它来自 DeepSeek 自己的图表，是从厂商公告附带的一张图片上读出的，而且不存在任何外部在 1017 检查点上运行 DeepSWE v1.1 的结果——Artificial Analysis 10 月 18 日的结果针对的是同一权重，但用的是不同基准测试。发布该基准测试的两个独立榜单将该模型列为 71.7% 和 74.2%，这足以将其与 Opus 5 并列，却不足以确认厂商的数字——而且两者都没有说明自己测量的是哪个检查点。

• 在节点门槛之下自托管——vLLM 的首日支持于 9 月 22 日随 v0.30.0 成为稳定版本，该版本新增了 MXFP8 KV 路径和异步 Engram 卸载；SGLang 的首日支持仍以预览镜像的形式发布。两者都没有改变硬件门槛，这一门槛大致停留在八卡节点，因为决定它的是那 510 GB 的检查点——而 DeepSeek 随 DeepInfer 一同发布的自家部署说明把这一点说得更透彻：一个预填充节点搭配一个解码节点即可部署，但推荐的解码配置是专家并行度 64 或以上，这使得最小的高效单元成为 64 块 GPU 的预填充加上 64 块 GPU 的解码。vLLM 项目 10 月 7 日的文章是针对该模型已发布的最完整的实测优化账本——相对于其自身的首日构建，低并发下提升 1.9 倍，在 150 TPS 约束下提升 5.3 倍，此外还有上文提到的 SGLang 数据——其 10 月 17 日的后续文章又补充了一条每美元 token 数曲线，确实覆盖了 H100、MI300X 和 B200 配置以及机架级部件。两者都是该项目对自家运行时的自家账目。两者都没有改变门槛：在 GB300 或 H100 上更便宜的 token，仍然无法把 510 GB 的检查点装进一台桌面机，因此它是通往同一门槛的更快路径，而不是更低的门槛。后续版本和社区量化能否把它带到更小的机器上，是任何想要权重而非端点的人所面临的开放问题，也正是决定宽松许可证是否算得上实用许可证的那个问题。

• V4.1 Pro 究竟是什么——DeepSeek 将其称为 V4 Pro 的继任者，但未公布日期、规格或价格，且此前宣布将现有 Pro 流量改道至 Flash 级模型的计划在生效前已被撤回。Flash 之上是什么，公司仅将其描述为向更大模型扩展的架构；Flash、Pro 和 Ultra 的层级及其 522B、2T 和 8T 规模，只是某位观察者的推测，并非 DeepSeek 的说法。

• 单项任务成本——Artificial Analysis 现在为两个检查点都给出了单项任务数据：9 月权重每个 Intelligence Index 任务为 0.49 美元（本文最初给出的是 0.27 美元，现已修订），1017 为 0.26 美元。这是 DeepSeek 帕累托主张中任何部分首次获得的外部证据，而且比该主张的范围更窄。同一批数据还显示，1017 检查点在整个指数上生成 2.10 亿输出 token，而 9 月为 2.50 亿——总输出更短——但每项任务为 89,495 个输出 token，而 9 月为 88,574 个，这根本不算更短；每项任务耗时 288.8 秒，而 9 月为 289.9 秒，也不算更快。该网站自己的成本拆解把全部节省都放在输入侧：输出这一项基本持平，每项任务 0.106 美元对 0.107 美元，而输入从 0.379 美元降至 0.155 美元，缓存写入从 0.322 美元降至 0.095 美元。一项任务是否以更少的美元完成，取决于它消耗多少 token，而这是工作负载的属性，不是价目表的属性。DeepSeek 自己对此次更新的说法却指向相反方向：变更日志称新检查点缩短了任务运行时间和输出长度，其 10 月 17 日的帖子也重复称“更快的任务完成，以及更短的输出”。两者都没有给出数字，而本条所依据的外部测量如今已与它们对照：在 DeepSeek 点名的两个量上，1017 权重相对五周前的起点变动约百分之一，且方向相反。同一账本的另一侧还有第三个数字：vLLM 项目 10 月 17 日的图表显示，该模型在 SemiAnalysis AgentX 上按总拥有成本计为每美元 13 亿 token，对应的成本层级假设的是大型超大规模厂商的用量。更便宜的服务同样不能了结本条——更低的每 token 成本并不会改变每任务 token 数，而后者才是调用方实际付费的对象，它仍停留在 9 月测量所发现的位置。

• 验证失控——亲手测试的测试人员报告，思维链中偶尔出现重复循环，以及在较低努力设置下几秒就能解决的问题上，却进行长达十二分钟、消耗六位数 token 的反复推敲。目前没有独立基准衡量这两种情况发生的频率，或它们在生产中造成多大成本，而迄今报告的缓解措施是客户端 token 上限，而非模型为自身采取的任何措施。上文的 Exploit Bench 研究从另一个方向记录了同一失败模式：它在 ReAct 转录中展示的重复报告循环，是由测试框架的压缩提示产生的，而不是由模型自身推理产生的；这提醒我们，转录中的循环并不自动等同于模型缺陷。

• 内核工程 —— kernelbench.com 的社区 CUDA 内核排行榜（RTX PRO 6000，按 roofline 缩放）显示，DeepSeek V4.1 Flash 在其自身的稀疏注意力内核上达到稠密等效 roofline 的 50.19%，总排名第四，而同一行中 GLM-5.3 Flash 为 4.45%。该排行榜由社区运营，未经同行评审；尚未有第二代 GPU 或复现结果发布。

• 远端的长上下文——稀疏注意力在64K长度上训练，并在34T token处扩展到1M。在完整1M窗口接近末尾时质量如何保持，正是独立长上下文评估所要判定的。

边缘场景下的缓存重建——SWA Bounded Replay 会以近似而非精确的方式重建已丢弃的滑动窗口状态，DeepSeek 表示结果可能因缓存命中发生在会话中的位置不同而有所差异。报告指出，观察到的质量影响很小；而极端或未经测试的条件，恰恰是这种近似可能暴露问题的地方，并且 DeepSeek 之外还没有人对此进行过考察。

• Pro 工作负载是否真的会迁移——强制改道已被撤销，因此除非团队主动选择迁移，否则什么都不会迁移；而那些为了推理深度而支付 Pro 价格的团队，恰恰最有可能在 Terminal-Bench 3.0 这类任务上察觉到能力差距，在这类任务上 V4.1 Flash 大幅落后于 Opus-5.0。

• 免费层级的条款与行为——OpenCode 于 10 月 15 日为这一模型添加了一个免费条目，窗口为 200,000 个 token，输出上限为 32,000 个 token，并在其自己的页面上被描述为限时可用。这套安排是否会在这句话之后继续存在、该端点在负载下表现如何，以及 DeepSeek 对此是否有任何话语权，都未得到说明：平台自己的模型列表、文档和价格表是唯一的来源，没有任何截止日期可供追究任何人，也没有人公布过对这条免费路线的测量结果。

• 安全性与拒答——DeepSeek 未公布任一检查点的拒答率、红队测试结果或安全评估，也没有独立实验室在越狱基准测试中对该模型进行评分。本文中的数字来自构建无审查衍生模型的人——在聊天模式下，100 条有害提示中有 97 条被拒绝；在思考模式下为 98 条；这基于同一组提示和同一个评分器——以及来自一张智能体会话截图，其中模型拒绝了一个越狱人格设定。这种行为在低推理强度下、在非英语语言中、面对自动化攻击而非人格提示时，以及在会重写系统提示的测试框架下是否依然成立，尚无任何人进行测量。

• 下一个检查点的文书——10月22日的报告解决了已公开模型权重的登记问题，因为目录草案排除了已属于公有领域的技术。它并未解决这次发布之后的下一次发布。该目录是草案，公开征求意见至11月15日；其阈值只是被报道出来，而非在文本中公布；据称已于10月16日生效的临时登记义务尚未完整公布。V4.1F-1017 本身已经发布，采用 MIT 许可证且不受访问限制；未来的 DeepSeek 检查点在能够被下载之前必须满足什么要求，仍是一条尚不存在的规则。

Beta 是一个持续了两天的问题：Flash 档模型能否承担 Pro 职责。发布则是 DeepSeek 用一张价目表和一套路由方案来回答——随后又在两天内撤回路由方案，因为开发者反对在他们底下把生产模型换掉。这比公告所暗示的表述更弱，也更诚实：支持这一举措的质量证据是 DeepSeek 自家基准，加上大多指向同一方向的外部测量。其中最新的一项——在七种智能体测试框架（agent harness）下运行的一项网络安全基准——在其所做的唯一一项比较上指向相反方向，而公司把选择权留给了客户，而不是替他们做选择。 自发布以来，权重从承诺变成了 510 GB 的下载，模型从厂商端点变成了可以路由到的对象，服务栈从 day-0 配方变成了经过测量的方案——vLLM 在三周时报告自己在低并发下快 1.9 倍，随后在检查点变更当天发布了一条成本曲线，按 SemiAnalysis AgentX 上的总拥有成本计算，该模型每美元可处理 13 亿 tokens。本周，这一切之下的那一层也开放了：DeepSeek 发布了 DeepInfer，也就是其自身服务运行的引擎，附带了该检查点的解码曲线、曲线背后的生产数据，以及一项未公开的 9 月基准——该基准显示，在 DeepSeek 实际服务的速度下，华为 950DT 每芯片落后 NVIDIA 五到七倍。 五周时，检查点本身只变动过一次：10 月 17 日在同名同价之下带来了新权重，厂商表格在其公布的每一行上都更好，而其中一行下面用的是不同的测试框架。两天后，外部测量来了，而它是本文中最有用的数字：Artificial Analysis 将 1017 权重放在其指数上的 45——与 GLM-5.3 并列开放权重模型第二，落后 MiMo-V2.6-Pro 一分——并在 Terminal-Bench 4.0 上给出 33.8，而厂商在同一基准上是 42.3——所以，在 DeepSeek 自家表格中抬高该模型的测试框架，并不是那个数字能够存活的测试框架。 如果你今天做选择，诚实的立场是：V4.1 Flash 看起来是 DeepSeek 产品线中最具性价比的，名下有四项独立测评——没有一项是推理分数，其中一项现在是针对 DeepSeek 自 10 月 17 日以来一直提供的检查点运行的——第五项评估正在构建中，没有生产环境实绩，服务栈中最强的两个数字——一个速度增量和一条成本曲线——都来自编写该运行时的项目，还有一项外部网络安全结果，已经会因为你给模型套上哪个测试框架而自相矛盾，10 月 15 日在一个平台上出现了免费的 200,000-token 层级，以及第一轮上手报告描述了一个比多数调用者会要求得更进一步自查其工作的模型——这是把一部分流量指向它的理由，不是在公告发布时就迁移的理由。DeepSeek 10 月 17 日宣布的更新更换了权重，并增加了一项厂商主张——任务完成更快、输出更短——而对这些权重的首次外部测量最多只支持其中一半：每个指数任务的成本降低了 46%，而每任务耗时和每任务输出 token 几乎没有变化。一天后，关于该检查点流传最广的说法来自一位高管：在 DeepSWE v1.1 上得到 77，成本低 83 倍，出自一名 Databricks 员工，他还说该检查点即将登陆该平台。其中一半经受住了与独立榜单的接触，这些榜单现在把该模型的名字排在该基准的 Opus 5 之上。另一半还没有：77 是 DeepSeek 自家那一行，未被复现，而 83 倍是算术，背后没有公布每任务成本。Databricks 自己的文档确认该模型已在其平台上，并确认排在它下面的两个 DeepSeek 模型计划下架；但并未确认该检查点即将上线。现在，这一说法是关于该检查点的第二有趣说法，而不是最有趣的那个。 10 月 19 日，一个曾多次提前命中此类发布的追踪账号宣称自己“绝对确定” Terminal-Bench 4.0 上的 42.3，理由是它击败了 GLM-5.3，并要求 Artificial Analysis 在原生测试框架中运行该模型。该网站已经做过了。在其自己的测试框架上，同样的权重得分为 33.8——低于 GLM-5.3 的 41.9，而不是高于它。厂商那一行是真实的，也是 DeepSeek 的；从中得出的推论经不起别人来运行。

如果你想要的是能让你保留所有选项的那个版本，那么这三款都只差一次点击，且均按 DeepSeek 自家费率定价，加价 0%。本次发布本身：OrcaRouter 上的 DeepSeek V4.1 Flash —— 100 万 token 上下文、384K 输出上限、支持图像输入，非高峰时段每 100 万输入 token 0.15 美元、每 100 万输出 token 0.60 美元。它所取代的模型：OrcaRouter 上的 DeepSeek V4 Flash。而 DeepSeek 决定继续提供服务的旗舰款：OrcaRouter 上的 DeepSeek V4 Pro。把一部分流量指向新的那个，在它身后保留一个久经验证的模型作为故障转移，剩下的交给路由来决定。

模型选型同样关乎此前出过什么问题：该类模型已记录的 AI 事件与智能体故障，均收录于OrcaRouter AI 事件档案库，其中每条记录都附有各自的来源、严重程度、置信度评级和存疑标记。