DeepSeek-V4.1-Flash-1017：從 45 到 46 的猜測、三句更新日誌，以及兩個計分板共有的那一列

D​eepSeek-V4.1-Flash-1017 是真实存在的，而且才刚满一天。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，并立即在保持不变的 deepseek-flash 模型字符串下、按保持不变的费率表调用它。你无法做的是查询它的排名。关于 DeepSeek V4.1 Flash 在其更新上线后一天最具实质内容的帖子并不是结果——而是一个猜测。该实验室的一位密切关注者将模型最终的 Artificial Analysis 智能指数得分定在 45 到 46，预测 Grok 4.7 是它将以微弱优势超过的数值，并预测 AA-Omniscience 是将其压制的评测，并提出 57% 作为 Vals Index 上的合理预期。这些数字中的每一个都是对一块尚无 1017 行的记分牌的预测。发布是事实。排名是赌注，而有意思的部分在于为什么今天没有人能确定它。

10月17日實際發布了什麼？

主要來源篇幅簡短。DeepSeek 2026-10-17 的更新日誌寫道，V4.1 Flash「已升級為 DeepSeek-V4.1-Flash-1017」，網頁與應用程式模型也一併更新，「API 呼叫方式與定價維持不變」，且deepseek-flash的呼叫會觸及最新模型。這就是規格層級的全部說法。對應的儲存庫 deepseek-ai/DeepSeek-V4.1-Flash-1017 建立於 10 月 17 日 02:40 UTC，最後修改於同日 05:46 UTC；其 safetensors 索引在 BF16、F32、F8_E4M3 與 I8 張量類型間共計 763,205,315,794 個參數。授權條款為 MIT。其中沒有任何外洩。

變更日誌新增了三件不是數字的事項。它將這次更新稱為「效能–成本帕雷托改善」。它點名了調校時所對照的測試框架——D​eepSeek Harness、T​encent CodeBuddy 與 WorkBuddy——並告訴使用者應改用 D​eepSeek Harness 0.2.1-rc.1 或更新版本。它還展示了四項以動畫呈現的專案示範：紫禁城的 3D 模型、一款瀏覽器賽車遊戲、一款以 Godot 打造的《Portal 2》重製版，以及一個名為「Valley of Ages」的 3D 場景。那些是行銷素材，不是測量數據，而這正是本文將它們與分數分開、放在不同段落的原因。

哪些地方沒有改變，和哪些地方確實改變了一樣具有關鍵支撐作用，因為那正是牽涉金錢的部分：

• 費率表 — 維持不變。快取命中輸入每百萬個 token 尖峰時 $0.006、離峰時 $0.003；快取未命中輸入 $0.30 / $0.15；輸出 $1.20 / $0.60。尖峰時段為 UTC 週一至週五 01:00–04:00 及 06:00–10:00，不含中國國定假日。

• 模型字串 — 維持不變。deepseek-flash 現在會解析至 1017 檢查點。已停用的名稱 deepseek-v4-flash 與 deepseek-v4-flash-vision-exp 仍可接受，且仍會路由至該檢查點，並以 Flash 費率計費。

• Envelope — 在卡片層級維持不變。1M token 上下文視窗，max_tokens 設為 256K 或以上，建議使用 temperature 1.0 與 top_p 1.0。

• 打包瑕疵 — 也維持不變。仍然沒有 Jinja 聊天範本。儲存庫隨附 encoding/encoding.py 作為參考實作，涵蓋多輪對話、工具呼叫、思考模式、數值推理強度、對話中途的系統訊息與交錯影像，並將正式環境使用者指向 deepseek-recipe，一個具備 Python 繫結的 Rust 函式庫。

1017 卡片並未重述架構。該家族的形態——552B 主幹、由 20 層因果編碼器與 20 層解碼器組成的 Causal Encoder-Decoder、預填充（prefill）期間非對稱啟用 8B 參數與解碼（decode）期間啟用 16B 參數、384 個路由專家且每個 token 啟用 6 個、CSA2 注意力、FP4 主 KV 快取，以及 196B Engram 條件式記憶體——出自九月的卡片、名為 突破 KV Cache 壓縮的極限 的技術報告，以及模型卡片本身的引用。想要那些數字的讀者應從九月文件中取得，而不是從從未主張這些數字的 1017 頁面取得。

十一列廠商資料，以及索引實際讀取的那一列

廠商基準測試表是本次發行中唯一可供比較的產物，並以兩種形式發布：在更新日誌上以圖片呈現，以及在模型卡上以 Markdown 表格呈現。從模型卡讀取，1017 欄對比九月欄：HLE 無工具 42.6（純文字子集為 44.0）對比 36.8（39.1）；Terminal-Bench 4.0 42.3 對比 31.2；DeepSWE v1.1 77.0 對比 74.2；ProgramBench 29.1 對比 20.3；NL2Repo-Bench 68.2 對比 65.4；Automation-Bench v1.0.6 60.5 對比 54.8；Agents' Last Exam 35.4 對比 31.8；Apex Bench v1.1 72.1 對比 64.6；Chartography 有工具 83.0 對比 78.9；BabyVision 有工具 92.5 對比 89.6；ZeroBench-main 有工具 51.0 對比 49.0。全部十一行皆上升。表格有兩則註腳加以限定：匕首符號標示 HLE 的純文字子集，而 Terminal-Bench 4.0 是在 Claude Code 測試框架中執行，DeepSWE v1.1 則是在 Mini-SWE-V2 中執行。

現在把這一點對照 Artificial Analysis Intelligence Index，也就是 45 到 46 這個猜測所針對的指標。目前的指數版本是 4.3.2，它是十項評測的加權綜合結果，分屬四個類別：Agents 占 30%、Coding 占 20%、Scientific Reasoning 占 20%、General 占 30%。權重是公開的，而它們就是整個論證所在。AA-Briefcase v1.1 占 15%。AA-Omniscience 占 15%，拆分為準確率 10% 與非幻覺率 5%。Terminal-Bench 4.0 占 10%。HLE 占 10%。CritPt，這個研究級未發表物理題集，占 10%。GDPval-AA v2.1 占 10%，GDP.pdf 10%，SciCode 10%，AutomationBench-AA 5%，AA-LCR v1.1 5%。

那十項評測中，只有一項以相同名稱與相同配置出現在 D​eepSeek 的十一列表格中：Terminal-Bench 4.0，數值僅為該指數的十分之一。HLE 在兩邊都有出現，但並非完全相同——廠商欄位是純文字子集，而該指數跑的是 2,158 題的純文字題組。該指數所讀取的其他所有項目，包括兩個權重最重的組成部分，在廠商表格中完全沒有對應列。這正是這個推測背後的機制，並非對該實驗室的批評：這單純是因為廠商表格與綜合指數是由不同部分建構而成，而重疊部分只有一列寬。

45–46 從何而來，以及為什麼你無法查證它

這項預測是對九月分數的算術推演。Artificial Analysis 目前將九月的 DeepSeek V4.1 Flash 檢查點評為39 分（在其最高推理強度的推理配置下），在 Intelligence Index 上於 120 個模型中排名第九，且遠高於同尺寸級別開放權重模型的中位數 19。同一條目每項指數任務成本為 0.27 美元、每秒輸出 175.9 個 token、首個 token 時間為 1.23 秒。因此，45 到 46 的預測意味著單次檢查點替換可提升約六到七個指數分——這是異常大的單步躍升，也正是發文者用「應該還不錯」而非直接預測來保留餘地的原因。

若落在那里，1017 将置身于拥挤的一群之中。目前位于 46 的模型有 Grok 4.7（xhigh 与 high）、MiMo-V2.6-Pro，以及低 effort 的 G​PT-6 Astra。45 则有 Qwen3.8-Max（0902）、xhigh 的 M​use Spark 1.3，以及 max 的 G​LM-5.3。44 则有 S​tep 5 Preview 与 max 的 Kimi K3。六到七分会把 D​eepSeek 的廉价层级从开放权重集群的下方推入该集群的中段，而发文者所选的比较——「比 G​rok 更好」——正是 45 或 46 分能在 Grok 4.7 自身的 effort 设定下让它字面上成立的那个比较，同时每项任务成本还低一个数量级。这才是这个猜测有用的地方：重点不是那个整数，而是它所暗示的价格对分数位置。

還有一個理由要對基線本身保持謹慎。一篇九月發表的第三方文章引述九月檢查點在該指數為 40，在 113 個中排名第六；該網站今天在一個具名指數版本上顯示 39，在 120 個中排名第九。權重相同，公布的整數卻不同，因為該指數有版本之分，而且其母體不斷增長。任何建立在一個已經變動過兩次的數字上的預測，都是建立在沙上的預測；而 45–46 這項說法的誠實版本，是關於一個範圍的範圍。

Omniscience 預測是那個帶有機制的預測。

在整份 signal 的所有內容裡，1017「將再次被 Omniscience 打爆」這個說法，是唯一背後有可檢驗機制、而不只是憑感覺的部分。AA-Omniscience 不是有及格線的知識測驗。它會在涵蓋 42 個主題、約 6,000 道題目上評分事實可靠性，答對給分、幻覺扣分、棄答則維持中立——所以拒絕作答勝過猜錯。一個針對代理式吞吐量與短輸出調校的模型——也就是 1017 更新日誌所描述的——是每個答案用於推理的 token 更少的模型。在一個會懲罰自信錯誤答案的指數上，這究竟有幫助還是傷害，仍是真正的未解問題；而「再次」在這句話裡是有作用的：它暗示九月檢查點在該處已經表現不如預期。該指數將 Omniscience 準確率與非幻覺率分開發布為不同數字，但 D​eepSeek 模型頁面並未揭露各基準的數字，因此目前無法從網站讀出九月的 Omniscience 分項。這個預測合理，而且以目前來說無法證偽。

同一項抱怨的另一半——也就是指數「仍使用有缺陷的 CritPt」——指向這個綜合指數的一項真實特性。CritPt 屬於研究等級、尚未發表的物理題：這些問題的答案尚未進入訓練資料，這既讓它不易受到污染，也讓它雜訊高且更新緩慢。它在指數中占十分之一，權重與 HLE 和 Terminal-Bench 4.0 相同。一個從未公布過 CritPt 成績列的模型系列，在對它做出的每一次預測中都會帶著 10% 的盲點。這項批評的兩半其實是同一項觀察：指數與廠商衡量的是不同事物，而預測必須用假設來彌合這個落差。

Vals 編號是另一塊板子，底座也不同。

57% 這個數字值得單獨用一段來說明，因為它是這組訊號中唯一能對應到一個已公布數字的部份，而且這個對應關係雖然過時一年，方向卻是對的。Vals AI 的指數將九月的 DeepSeek V4.1 Flash 列在 57.86%，在 56 個模型中排名第 15，且是開放權重模型中最高者，以 57.81% 微幅領先 Kimi K3，並標示每次測試為 0.30 美元。因此，「在 Vals 上 57% 聽起來合理」並不是上修預測——而是在一個九月檢查點已是開放權重領先者的榜單上，預測表現大致持平。同一位發文者、同一句話裡，兩個榜單、兩種不同預期：在該指數上大幅躍升，在 Vals 上則完全沒有進步。這種不對稱是這篇貼文裡最有資訊量的一點，因為它告訴你：發文者預期 1017 的進展會落在該指數權重很高、Vals 權重很輕的評測上——也就是 Terminal-Bench 風格的代理式工作，而不是一般知識工作的廣度。

實際上必須重新執行什麼？

目前流傳的獨立數字，沒有一項能描述 1017 的權重。DeepSeek 在一個穩定的 API 名稱背後替換了模型，這意味著每一項已公布數據的歸屬都已悄然易主：九月一次運行中引用的 DeepSeek V4.1 Flash 分數，如今描述的是廠商已不再提供的權重，而它目前提供的權重則完全沒有外部評分。對任何把檢查點替換視為配置變更的人來說，實務準則來自軟體領域：它值得同樣的迴歸測試。在 1017 接近正式生產路徑之前，有五個問題值得針對它回答。

• Terminal-Bench 4.0 能重現嗎？ 廠商在 C​laude Code 測試框架中把它從 31.2 提升到 42.3，而這是獨立排行榜會查看的少數幾列之一。廠商選擇能美化模型的測試框架，是基準測試報告中最古老的失敗模式。

• DeepSWE 的增益在更換不同框架後是否依然成立？在 Mini-SWE-V2 上為 77.0，對比九月的 74.2。DeepSWE 在不同測試框架之間出現相當大的落差，因此重點在於差距，而非絕對水準。

• 輸出長度真的會下降嗎？ 更新日誌中的成本說法，立基於更短的輸出，而不只是更快的輸出。在以用量計價的 API 上，這正是帕雷托改善與捨入誤差之間的差別。

• 推理強度旋鈕的行為正常嗎？強度是數值，low、high 和 max 會對應到已定義的值，預設為 high，而 temperature 雖會被接受，但在思考模式下會被忽略。請在正式環境實際送出的確切強度值上測試，因為在 max 下跑測試套件，並不能告訴你有關以 high 部署的任何事。

• 多輪工具使用是否仍能完整往返？使用工具時，每一輪先前的 reasoning_content 都必須回傳，包括沒有工具呼叫的輪次，否則請求就會失敗。這正是替換檢查點會無聲引入的那種回歸問題。

如果你想執行那輪迴歸測試，又不願把生產路徑移到尚未測量的權重上，這正是 OrcaRouter 容錯移轉所針對的情境：把 1017 放在備援鏈後方，將你願意承受損失的流量導給它，並讓失敗或緩慢的回應在呼叫方看到之前跨供應商重試。定價是論點的另一半，也是更簡單的一半——DeepSeek 維持 Flash 價目表不變，而由於 OrcaRouter 以 0% 加價直接傳遞供應商的定價，不會改變 DeepSeek 價格的變動也不會改變我們的價格。你今天就能以 DeepSeek 自己的費率使用 DeepSeek V4.1 Flash，無須第二份合約，也無須修改程式碼，同時讓排行榜慢慢追上。

訊號留下的未解問題

如果架構相同，為什麼僅是更換 checkpoint 就會讓指數變動？因為該指數將代理式與程式設計評估的權重合計設為總量的一半，而這類後訓練變更正是在這些評估中最快顯現。九月模型已公布類別中相對其價格最弱的是代理式工作；1017 更新日誌幾乎全在談代理式工作與每項任務成本。這項預測是在押注：相同架構加上更好的後訓練，會落在權重所指示的位置。

有沒有辦法在 Artificial Analysis 公布 1017 這個數字之前，就先讀到它？只能間接得知。廠商公布的兩個 agentic 評測列——Terminal-Bench 4.0 和 Automation-Bench——是最接近的替代指標，而且兩者都是自行回報的。第三條路徑是觀察獨立排行榜上九月的那一列是否被更名、重跑或維持原樣；如果某一列資料已過時，卻在實際部署的權重變更後仍保留舊分數，那就是最明確的訊號，表示某個數字已不再代表它字面上的意義。

價格不變是否代表帕雷托主張屬實？這代表該主張是可驗證的。在固定價目表下，「效能與成本的帕雷托改善」只有在每項任務的輸出 token 數下降時才成立，因為那是唯一剩下的槓桿。供應商表示任務執行時間與輸出長度都下降了。那是頁面上讀者唯一能用自家帳單驗證的主張。

接下來要看什麼

要評分的預測很具體，這正是它值得保留的原因。若 Intelligence Index 在 45 或 46 出現一列 1017，原發文者便說中了位置與機制——偏重 agentic 的加權，加上 Omniscience 上一個已知的弱點——而有益的教訓是：只要仔細讀過權重，綜合分數就能從供應商表格預測出來。若它落在或低於九月的 39，教訓則相反且代價更高：一張十一列的供應商表格即使每一行都上升，仍可能讓綜合分數持平，因為有變動的列並不是真正關鍵的列。無論哪種結果，都只是對單一模型的一次取樣，而非對該實驗室的定論，而決定結果的那個數字，是讀者今天無法算出來的。

讀者今天能做的事，比一份預測更便宜。權重以 MIT 授權釋出，API 也以九月價格上線，所以在任何人公布排名之前的那個月，正是你針對對自己最重要的三個問題形成自身看法的時機：它能更快完成你的代理式任務嗎？它在完成任務時說得更少嗎？以及，它在你實際執行的多輪工具路徑上撐得住嗎？

來源註記：本文中每一個 DeepSeek 數字——十一列基準測試、763B 參數總量、1M token 視窗、MIT 授權、未變更的價目表，以及測試框架建議——都來自廠商自己 10 月 17 日的變更日誌條目、其 Hugging Face 模型卡，以及其公布的定價頁面。每一個獨立數字——Intelligence Index 上的 39、在 120 個中排名第九、每項索引任務 0.27 美元的成本、每秒 175.9 個 token，以及支撐該分數的十項評估加權——都來自 Artificial Analysis，於 2026 年 10 月 18 日讀取。45 至 46 的預測、57% 的 Vals 預期，以及 Omniscience 預測，都是某位觀察者對一個在這些榜單上都沒有 1017 資料列的模型所作的估計，且無論出現在何處都標示為估計。

像這次發布背後有紀錄的 AI 失敗與代理事件，都收錄於 OrcaRouter AI Incident Archive，其中每一筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。