
DeepSeek V4.1 Flash 1017 在 FrontierMath Tier 4 上躍升 19 分——而 DeepSeek 從未提及此事
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 90 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 97 tok/s
- orca新Orca: OrcaC2 1.02026-11-0711 tok/s
- Orca新OrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 88 tok/s
- Orca新OrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 134 tok/s
- Orca新OrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 每百萬 tokens · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 125 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 92 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 134 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 每百萬 tokens · 128 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955智能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855智能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 每百萬 tokens · 186 tok/s
附在DeepSeek V4.1 Flash 1017上最有趣的基準測試數字,是廠商沒有公布的那一個。2026年10月21日,也就是該檢查點發布五天後,追蹤器 BenchLeader 為該模型新增了一項 FrontierMath Tier 4 結果:在最高推理強度下為 46.3%。這個數字與某個模型僅差一題之遙,那就是Qwen3.8-Max,後者於8月2日測得 46.3%,並與Claude Haiku 5.5持平;後者於10月7日測得 46.3%。它也大約比同一榜單上每個較早的 DeepSeek 檢查點高出十九個百分點。DeepSeek 自家針對10月17日更新的變更日誌列出了九項基準測試。其中沒有一項是數學基準測試。它在 OrcaRouter 上與九月版本一同以 deepseek/deepseek-v4.1-flash 提供,因此你可以用同一組提示詞分別測試這兩個檢查點。
DeepSeek 所宣稱的內容與第三方實測結果之間的落差,正是這裡的重點。1017 檢查點是以成本與速度導向的版本發布來宣布——更新日誌裡的说法是「效能與成本的帕雷托改善」,並伴隨更短的輸出與更快的任務完成。同一份更新日誌裡的基準測試表全是代理式工作:HLE(不使用工具)、Terminal-Bench 4.0、DeepSWE v1.1、ProgramBench、Apex Bench、Agents' Last Exam。數學不在清單上。所以,要嘛 DeepSeek 的數學能力是因代理式工作而附帶提升、卻未經宣傳,要嘛某個追蹤網站有一列是其他網站沒有的。這兩種解讀都值得認真看待,而且會導向不同的建議。
Tier 4 v2 實際要求的究竟是什麼,以及為什麼問題數量比百分比更重要
FrontierMath Tier 4 v2 是 Epoch AI 基準測試中研究級別的層級:這是一套私人擴充題集,包含 43 道研究級問題,於 2026 年 6 月 12 日發布,並允許模型在無狀態沙箱中依照固定函式庫清單執行 Python。計分分母似乎是 41——已公布的分數可被它整除,因為 41 題中答對 19 題是 46.34%,41 題中答對 11 題是 26.83%。無論如何,這個題集小到一題約值 2.4 個百分點,而這正是決定本頁其餘一切的細節。排行榜上看起來差距很大的兩個分數,可能只相差八道題。
這正是 DeepSeek 的數字所顯示的情況。以該分母計算,46.3% 的分數換算下來是答對十九題。較早的檢查點所帶的 26.8% 分數則換算為十一題。整個「十九個百分點的躍升」其實就是八道題。這是真實的差異——四十一題中差了八題,並不是一般意義上的雜訊——但這個樣本也小到只要更換一個工具、改動系統提示,或採用不同的 effort 設定,就可能讓模型在排名上移動好幾名。當四個模型並列在 46.3% 時,它們之間並沒有有意義的區別。它們彼此都在一題之內的差距。
軌跡:三個平坦的檢查點,然後一步。
46.3 之所以被視為新聞,而非四捨五入造成的假象,原因在於它之前的表現。在 DeepSeek 最近四次 FrontierMath Tier 4 v2 的紀錄中,這條線先是持平,然後垂直攀升:
• DeepSeek V4 Flash 0731 — 24.4%,七月檢查點
• DeepSeek V4 Pro 0813 — 26.8%,八月旗艦
• DeepSeek V4.1 Flash (0910) — 26.8%,取代兩者的九月版本
• DeepSeek V4.1 Flash 1017 — 46.3%,十月檢查點,採用最大努力設定
較容易的層級也有所變動,但幅度不大:BenchLeader 列出 1017 版本在 FrontierMath Tiers 1–3 上為 71.2%,而九月版本為 67.4%。這正是真正能力提升時會看到的樣貌——在題目可解的區段進步幾分,在不可解的區段則出現大得多的變動。這也是評測框架變更會呈現的樣貌,且此變更對最難題目的幫助不成比例地大,這就是為什麼下一節很重要。
你相信哪個看板,取決於你讀哪個看板。
我們查了五個追蹤器。其中兩個現在對 1017 版本顯示 46.3%。另外三個則沒有。
• BenchLeader — 在 Tier 4 上達 46.3%,在 Tier 1–3 上達 71.2%,以最大努力執行,結果於 2026 年 10 月 21 日新增
• DataLearner,現以 LLMLearner 之名提供 — 46.34%,並列第 21 名,以「Max (With Tools)」配置評估,最後一筆結果於 2026 年 10 月 26 日新增,並在榜單上標記為最佳開放權重分數
• benchlm.ai — 26.829%,排名第 30,〈支援 Python 的迭代式數學問題求解〉,頁面更新於 2026 年 10 月 25 日
• tensor.news — 完全沒有 1017 這一列;其 DeepSeek V4.1 Flash 項目顯示 26.83%,測量日期為 2026 年 9 月 9 日
• trustthebench — 26%,出現在日期標為 2026 年 8 月 26 日的一頁上,該日期完全早於檢查點

三位持異議者都有出處來源的問題。26.83 這個數字精確到小數點後兩位,正是九月版本所獲得分數。把新模型標籤套用到舊測量上的追蹤工具,正好會產生這種模式;而標註為八月的頁面則是明確證據,證明他們之中至少有一人正在這麼做。這並不使 46.3 具有權威性,而是使 26.8 顯得過時,而非互相矛盾。
能定案的是第二套測試框架。無論是 46.3 還是 71.2,都尚未在追蹤層之外被重現,而 DeepSeek 也未針對這個檢查點自行發布任何數學評測。請把這個數字視為強烈的第三方訊號,而不是關於該模型已確立的事實。如果你需要一個經得起檢驗、可寫進採購文件的數字,你目前還沒有。
為什麼 DeepSeek 會推出數學能力提升卻隻字不提?
變更記錄的表格比任何陰謀論都更能解釋這項遺漏。1017 更新被呈現為一次程式編寫與代理式發布,而廠商提供的數字完全落在這個範疇裡:HLE 在無工具情況下從 36.8 升至 42.6,Terminal-Bench 4.0 從 31.2 升至 42.3,DeepSWE v1.1 從 74.2 升至 77.0,ProgramBench 從 20.3 升至 29.1,Apex Bench 從 64.6 升至 72.1。一個針對長時間代理軌跡調校的模型——其獎勵是完成多步驟任務,而非輸出正確的最終 token——會附帶獲得數學耐力。高難度數學與長時間代理執行獎勵相同的行為:持續檢查,不要提早停止。

{{1}}獨立測試者發現的結果與該理論的預測相反,而這正是整件事有趣的地方。在一個困難數學樣本上,評估器的 sference 測得最低努力推理輸出從 1,974 個 token 降至 790,AIME 中位數輸出則從 1,681 降至 1,124。最低努力下推理更短,並不是你對一個剛在研究數學上提升十九分的模型會有的預期。最有可能的調和解釋取決於努力程度:46.3 是在最大努力下記錄的,而改變的是當你讓模型思考時它思考多少,而不是當你不讓它思考時它思考得多有效率。{{/1}}
46.3 實際上位於何處
在中國模型中並列最佳,並不等同於接近前沿;同一份排行榜在幾行之內就能清楚說明這一點。第 4 級 v2 的領先者完全屬於另一個級別的模型:GPT-6.1 Sol 為 100%、GPT-6 Astra 為 97.6%、Claude Opus 5.5 為 95%、Claude Fable 5 為 90.2%、GPT-6 Sol 為 90%。在 46.3 這個分數叢集之上,最接近的模型是 49% 的 GPT-5.4。LLMLearner 的排行榜將 46.3 標示為榜上最佳的開放權重分數。在最難層級拿到半百的分數,對開放權重模型而言是極佳成績,對前沿模型則是差勁成績,而 DeepSeek V4.1 Flash 1017 穩穩屬於前者。
• 第 4 級 v2 分數 — DeepSeek V4.1 Flash 1017 46.3% 對 Qwen3.8-Max 46.3% 對 Claude Haiku 5.5 46.3%(並列,第 21 名)
• FrontierMath Tiers 1–3 — DeepSeek V4.1 Flash 1017 為 71.2%,相較於自家九月版本的 67.4%
• 權重 — 採用 MIT 授權、可下載的 552B 參數混合專家模型,附有獨立的條件記憶表;追蹤者估計完整磁碟佔用足跡接近 763B 參數
• 價格 — 尖峰時段每百萬輸入權杖 $0.30、每百萬輸出權杖 $1.20,離峰時段為 $0.15 與 $0.60,與九月相同、維持不變
• 上下文 — 100 萬個 token,支援圖片輸入
• 廠商數學宣稱——無;FrontierMath 完全未出現在 DeepSeek 已發布的表格中

實務解讀:如果你的工作是競賽型數學,而你的替代方案是開放權重模型,46.3 會改變盤算,因為它把一個 552B、MIT 授權的模型,放進與兩個每 token 成本更高的專有模型相同的區間。如果你的替代方案是前沿閉源模型,這裡沒有任何東西能縮小差距——Tier 4 上 95 到 46 的差距不是捨入誤差。
在你自己的問題上驗證這個說法,而不拿正式環境的流程去賭它
考量到 46.3 是建立在 41 個私有問題與一個追蹤層之上,合理的做法是拿它對照你自己的實際工作負載來衡量,而不是信任這兩個數字中的任何一個。DeepSeek V4.1 Flash 1017 在 OrcaRouter 上以deepseek/deepseek-v4.1-flash-1017 的形式提供,並與 deepseek/deepseek-v4.1-flash 下的九月版本並列——這意味著你可以透過同一把 API 金鑰,對兩個檢查點執行同一組提示,並看看那八題差距是否會出現在你自己的評估中。不需要第二份契約,也不需要改程式碼;模型字串是唯一的差別。
關於路由層,有兩件事與這個尚未定案的決定相關。定價以供應商牌價原樣傳遞,加價 0%,因此 DeepSeek 的 $0.15 與 $0.60 離峰費率在任何地方上線的同一天,這裡也同步生效;供應商調價不必等我們同步目錄。在基準測試仍有爭議時更有用的是:自動容錯移轉與路由 DSL 讓你可以把高難度數學切片送到 1017 建置版本、以最高努力程度執行,並在它回傳你無法驗證的答案時回退到更強的模型——因此,一個未經證實的 19 分提升,代價只是一條路由規則,而不是一次遷移。
什麼會改變這個故事
有三件事值得觀察,而且這三件事都可查證。第一是 benchlm.ai 與 tensor.news 是否會把他們的 1017 列更新成 26.8 以外的數值;若再有兩個追蹤器在十月的測量結果上趨於一致,過時資料列的判讀便得到確認,這個數字也就變得平常。第二是 DeepSeek 是否會在未來的更新日誌中,於自家的比較表新增一列數學項目——一個相信自己已在 FrontierMath 上提升十九分的廠商,大概會開口說明;而那裡保持沉默,則是輕微的反證。第三是不使用工具的複現。46.3 是在允許使用工具的情況下記錄的,而無狀態執行則能告訴你,這項提升是來自數學推理,還是來自更善用 Python 沙箱。
在這些事情有任何一項成真之前,誠實的總結很有限。一個九天前的檢查點、MIT 授權,以及 0.30 美元的輸入價格,已在最難的公開數學層級上,落在與 Qwen3.8-Max 和 Claude Haiku 5.5 相同的區間——在兩個追蹤器上、以最大投入、在四十一題之中,且未經打造它的實驗室宣稱。這足以讓你花一個下午做自己的評測。但不足以成為改寫基準測試簡報頁的理由。
本文中的比較2
根據本文內容識別 · 基準測試:Artificial Analysis · 每日更新
