DeepSeek V4.1 Flash 正式全面推出：採用全新架構的 552B 模型、MIT 授權權重，以及一場從未發生的 V4 Pro 退場

DeepSeek V4.1 Flash 不再是一項為期兩天的實驗。這個模型在 9 月 8 日和 9 日，以一個帶有自身到期日的 ID——deepseek-v4.1-flash-expires-on-0910——存在於供應商正式運行的 API 中；它於 2026 年 9 月 10 日正式發布，涵蓋 DeepSeek 的應用程式、網頁介面與 API，如今在這些地方以模型名稱 deepseek-flash 提供服務。這次發布有三件事比 beta 所暗示的更重大。第一是文件資料：DeepSeek 發布了一份技術報告——標題毫不含蓄地取為《Pushing the Limits of KV Cache Compression》（把 KV 快取壓縮推向極限）——以及以 MIT 授權的權重，供一個建構於全新因果編碼器—解碼器架構之上的 552B 參數多模態混合專家模型使用。這些權重不是空口承諾：48 個 safetensors 分片，總計約 510 GB，在發布當天上午上線，這讓 beta 未經證實的「新架構、原生多模態」口號，變成讀者可以下載並檢視的實物。第二是產品陣容的樣貌。DeepSeek V4 Flash 與 DeepSeek-V4-Flash-Vision-Exp 已退役，其舊 ID 仍會以 Flash 費率解析至新模型；原定 9 月 14 日淘汰 DeepSeek V4 Pro 的計畫，在期限到來前撤回：V4 Pro 仍提供服務，計費不變，而 DeepSeek 承諾任何變動前會先通知。家族中最便宜的模型已在價格與 DeepSeek 自家基準測試上取代旗艦的地位，而 DeepSeek 表示，其底層架構的設計可擴展至更大的模型。至於它之上有什麼，截至 9 月 25 日，只是某個追蹤帳號的猜測——Flash、Pro、Ultra 三層產品線，分別為 522B、2T 與 8T——由發布該內容的帳號以推測形式提出，且未獲 DeepSeek 任何已發布資料證實。第三件事是 beta 從未有過的。Artificial Analysis 現已發布該模型的首批外部評測——9 月權重於推理模式、最高努力下在 Intelligence Index 獲 39 分，1017 檢查點獲 45 分（提升六分，與 GLM-5.3 並列開放權重模型第二，落後 MiMo-V2.6-Pro 一分）；同一量表上 DeepSeek V4 Pro 0813 為 36 分，這使 552B 模型成為該網站測量過的 DeepSeek 模型中得分最高者。另有十件事比這次發布更晚，且指向不同方向。9 月 25 日，ARC Prize 自家的模型測試負責人開了一個 pull request，將一級 DeepSeek V4.1 Flash 設定檔加入該基金會的基準測試框架——這個領域把其排行榜視為推理上限、而非生產力檢查的評測器——此新增項目沒有任何結果附帶，也未承諾會有結果。三天後，一家外部實驗室發布了相反類型的新聞：一項在不同排行榜上完成的測量，將 DeepSeek V4.1 Flash 與另一個開放權重模型並列，發現它是兩者中較弱的一個——並發現數值隨包覆模型的測試框架變動的程度，大於隨模型本身變動的程度。在 Exploit Bench 上——這是由卡內基美隆大學提出、評分代理朝完整利用正式環境 V8 邁進到何種程度的基準——DeepSeek V4.1 Flash 在該基準自身預設配置下平均為 16 分中的 4.7 分，在 Claude Code 下為 9.3 分，而 GLM-5.3-Flash 在 Codex 下達到 10.6 的高峰，卻在最適合 DeepSeek V4.1 Flash 的同一測試框架下掉到 6.2。第三件最不戲劇化，也最容易查證：10 月 7 日，vLLM 專案發布了自家為期三週、關於服務此模型的核算，報告其目前版本在低併發下比自家 day-0 實作快 1.9 倍，並在 150 TPS 限制下達到 5.3 倍吞吐量——這是引擎對自身的前後對比，而非另一項外部評測，也是下文速度章節的主題。第四件關乎模型的使用成本而非得分，且三天內變動了兩次：10 月 12 日，OpenCode 這個以每月使用額度、而非按計量 token 為此模型定價的編碼代理，將其額度從 60 美元提高到 80 美元——這是該平台對自家販售產品所作的聲明，刊載於自家定價頁——10 月 15 日，它開始以第二個模型 ID 免費提供同一模型，上下文為 200,000 token，對比計量方案所提供的 1M 視窗。第五件來自 10 月 14 日，衡量的是模型的服務成本而非品質：Artificial Analysis 將 DeepSeek V4.1 Flash 加入 AA-AgentPerf，這是其針對代理式推論的硬體基準，並在 NVIDIA 與 AMD 加速器上都有結果——在每位使用者每秒 100 token 下，NVIDIA 的 GB300 NVL72 以每兆瓦每秒約 2.61 億 token 領先全場，而同一批執行也能以少至兩顆加速器來服務此模型；這是下文以第二種貨幣呈現的章節。第六件是發布本身，但已被取代：10 月 17 日，DeepSeek 將同一個 deepseek-flash 模型名稱背後的檢查點替換為 DeepSeek-V4.1-Flash-1017——新權重、供應商基準表在其公布的每一列都勝過 9 月模型、相同費率卡與相同 1M token 範圍——而截至 10 月 18 日，對新權重的一項外部測量與供應商主打的那一列相矛盾：Artificial Analysis 在其自家測試框架下，給 1017 檢查點的 Intelligence Index 為 45、Terminal-Bench 4.0 為 33.8，相對於 DeepSeek 成績卡上的 42.3。第七件是那個落差所引發的爭論。10 月 19 日，一個有提前命中此類發布紀錄的追蹤帳號宣稱自己「百分之百確定」42.3 是真的，「因為它比 GLM-5.3 更好」，並要求 Artificial Analysis 以原生測試框架運行該模型。該網站前一天已經回答，給出的數字低了八點五分。第八件不是分數：10 月 20 日，一名 DeepSeek 追蹤者發布了一段代理對話紀錄，其中 1017 檢查點在套用 dsh-purge——一個用來剝除測試框架自身限制的外掛——的越獄人格下仍拒絕配合；而第三方 abliteration 筆記指出，未經改動的檢查點在聊天模式下對 100 個有害提示的拒答率為 97，在思考模式下為 98，且 DeepSeek 未對任一檢查點發布自家安全評估。第九件既不是分數也不是價格：本週 DeepSeek 開放了自家服務所運行的推論引擎，附上 1017 檢查點的解碼曲線及其背後的生產數據；本週讓此事浮現的討論串將該曲線與 9 月 30 日的 Ascend 950DT 基準並列，該基準顯示華為晶片在每晶片效能上約落後五到七倍——即下文的服務晶片章節。第十件不是分數、價格或檢查點：10 月 22 日，由中央廣播電視總台營運的時事帳號 YuyuantanTan（玉淵譚天）報導，DeepSeek 與 MiniMax 已完成中國技術出口目錄草案所附的登記程序，並完成開源與海外授權。這是官媒對兩家公司的報導，而非監管機關的通知或公司聲明；而這項發展回答了該目錄草案在 10 月 16 日開啟的問題——本文所談的 MIT 權重能否持續發布並運往海外。下文授權章節將區分該報導說了什麼、以及沒說什麼。

以下內容區分兩類主張。規格、基準測試與價格來自 DeepSeek 自家的更新日誌、模型卡與技術報告——由廠商發布、由廠商執行，且未經任何人復現。此後有四項獨立工具縮小了這個落差——一項綜合指數、一個社群 kernel 排行榜、一項受測試框架控制的網路安全基準，以及一項硬體服務基準——其中指數這項工具現已對兩個檢查點都跑過。它們都沒有復現廠商公佈的任何一行數據，而 ARC Prize 仍在建構推理評估，尚未公布任何結果。DeepSeek 於10月17日以 DeepSeek-V4.1-Flash-1017 檢查點替換了同一 API 名稱背後的模型。有一天，這意味著本文中每一個外部數字所描述的都是廠商已不再提供的權重，而對廠商實際提供的權重則沒有任何外部評分；10月18日，Artificial Analysis 對新檢查點重新運行其指數並公布45分，而9月權重為39分。其餘三項工具尚未重新運行：網路安全基準、kernel 排行榜與硬體基準仍描述9月的權重，且沒有任何獨立評分——無論新舊——復現 DeepSeek 自家基準測試中的任何一行。vLLM 專案於10月17日公布的服務成本數字，僅在發布日期上較新：其背後的圖表標註日期為10月16日，即替換前一天，因此它描述的仍是同一批已被取代的權重。在其現行指數（v4.3.2）中，Artificial Analysis 給9月的 DeepSeek V4.1 Flash 檢查點評為39分，給1017檢查點評為45分，並稱兩者都遠高於同等規模開放權重模型的中位數19；它們是真正的第三方數字，也是本文中第一批並非由 DeepSeek 產生的數字。每一個都是十項評估組成的一項綜合分數，並非對廠商任何單獨一行數據的復現，也未說明100萬上下文（1M-context）的經濟性。本文中的拒答數據屬於第四類主張，並在出現處標明：它們來自打造這些權重之未審查衍生模型的人，既不是來自 DeepSeek，也不是來自評估實驗室，而 DeepSeek 未對任一檢查點公布安全評估。服務章節中的硬體數字又屬於另一類：NVIDIA 解碼曲線與生產環境數據是 DeepSeek 對自家引擎的自行測量，本週隨程式碼一併公布；Ascend 的數據點則來自一份在 X 串文中轉載的基準測試表，該表未公布於任一廠商網站。凡數字屬於 DeepSeek，本文都會註明。還有一類不在上述分類之內。10月22日關於 DeepSeek 與 MiniMax 已完成在出口目錄草案下登記的報導，是官媒消息——中央廣播電視總台旗下的「玉淵潭天」，並被中國財經媒體廣泛轉載——並非商務部公告，且 DeepSeek 未發布任何聲明予以確認。該目錄本身是政府草案，公開徵求意見至11月15日，本文中凡出現之處均稱其為草案。報導所附的版本名稱——V4.1F-1017 與 M3.1-Flash——來自10月23日的一個 X 帳號，並未出現在官媒報導或轉載該報導的媒體中；該貼文所稱的檢查點在其發布時已可下載六天。

10 月 17 日檢查點：DeepSeek-V4.1-Flash-1017 帶來了哪些改變

在這篇文章所圍繞的那次發布五週後，DeepSeek 替換了其底層模型。日期為 10 月 17 日的更新日誌條目只有三句話：「DeepSeek V4.1 Flash 已升級為 DeepSeek-V4.1-Flash-1017。官方網頁與 APP 模型也已更新至新版本。API 呼叫方式與價格維持不變——只需使用 deepseek-flash 即可存取最新模型。」那段引文中的所有內容都是供應商在談論自家產品，而這三項說法都能在 DeepSeek 自家頁面上查證，無須只憑信任接受：「Models & Pricing」表中的模型版本列現在顯示 DeepSeek-V4.1-Flash-1017，原本顯示的是 DeepSeek-V4.1-Flash；旁邊的費率表仍是 9 月 10 日公布的同一套離峰與尖峰拆分費率——離峰每 1M tokens 為 $0.003、$0.15 與 $0.60，在平日尖峰時段內倍增至 $0.006、$0.30 與 $1.20——而 API 快速入門仍以 deepseek-flash 作為模型字串，1M-token 上下文、384K 輸出上限與 2,500 次請求併發限制均維持不變。已退役的別名 ID 表現符合 9 月說明所述：deepseek-v4-flash 與 deepseek-v4-flash-vision-exp 仍可接受，現在會以 Flash 價格，由 DeepSeek-V4.1-Flash-1017 回應。DeepSeek 當天也從自家帳號宣布同一項變更，這則貼文值得與更新日誌並讀，因為它更短、更直白：「DeepSeek-V4.1-Flash-1017 來了！相較前一版本，基準測試表現更強、任務完成速度更快、輸出更短——這是效能與成本上的帕雷托改善。現已在我們的網站、app 與 API 上線」，後面接著同樣的三個測試框架，以及同樣要求升級至 DeepSeek Harness 0.2.1-rc.1 或更新版本的指示。貼文中所有內容都是供應商在自己的管道上描述自家產品：「現已在我們的網站、app 與 API 上線」只是更新日誌「官方網頁與 APP 模型也已更新」的改述，而基準測試、執行時間、輸出長度與帕雷托改善等說法都出自模型卡——但有一項差異，對任何正在決定是否試用的人來說都很重要。模型卡在每一列基準測試旁都附有數字；貼文則一個數字也沒有，而且無論是貼文或更新日誌，都沒有為執行時間與輸出長度的說法提出具體數字。DeepSeek 在此主打的四項內容中，有兩項仍只是供應商主張，而非已公布的結果；而帕雷托改善那句話背後的圖表——也就是附在貼文中的那張——是 DeepSeek 自家的圖，根據其自家的任務成本測量數據繪製。

權重也隨之變動，而這正是讀者無須信任變更日誌就能驗證的部分。第二個儲存庫 deepseek-ai/DeepSeek-V4.1-Flash-1017 於 10 月 17 日凌晨上傳到 Hugging Face，同樣採用 MIT 授權：同樣又是 48 個 safetensors 分片，總計同樣約 510 GB，每個分片的大小都與 9 月對應版本相同，但每個分片的雜湊值都不同。形狀相同、內容不同——這正是「小幅更新」從外部看起來應有的樣子，也意味著本文自 9 月以來持續報導的架構說法並未改變：宣告 552B 主幹、384 個路由專家、每 token 8B 有效參數的 prefill 路徑與 16B 解碼路徑的設定檔，與 9 月儲存庫中的那份逐位元組完全相同，因此每 token 890 位元組的 KV 快取仍是相同設計，而非新設計。新儲存庫沒有附上的，是書面資料。其中沒有技術報告、沒有評估資料夾，也沒有 Jinja 聊天模板；模型卡表示此版本不包含聊天模板，並改為指向一份 Python 編碼參考，以及一套新的 Rust 工具包 deepseek-recipe，用來將 Chat Completions、Responses 與 Anthropic 格式的請求轉換成模型的提示格式。任何以儲存庫名稱鎖定權重的人都應該知道，這兩次下載的差異不只在雜湊值。檔案清單確切說明了差異方式：全部 48 個分片都有不同的校驗碼，但位元組大小相同；而非權重的檔案——宣告架構的設定檔、授權條款，以及整個 encoding 資料夾——在兩個儲存庫中則逐位元組相同。有七個檔案存在於 9 月的儲存庫，但不在這個儲存庫中，而且沒有新增任何東西來取代它們：技術報告、評估資料夾、聊天模板、模型卡先前內嵌的兩張圖，以及一個 .gitignore。模型卡也縮小了一個服務參數的範圍。9 月的模型卡建議 top_p 為 0.95 或 1.0；10 月 17 日的模型卡則建議 1.0，而 temperature 為 1.0、1M 上下文視窗，以及至少 256K 的 max_tokens 都維持不變。

DeepSeek 自家的基準測試表正是這次更新理應展現成果之處，而這張表正是九月那批資料列所屬的那種廠商表格：由同一家公司自行執行、無人重現，且發表於一個權重才公開數小時的模型上。相較九月檢查點，它在模型卡所載的每一列都上升——HLE 無工具為 42.6 對 36.8，純文字子集則為 44.0 對 39.1；Terminal-Bench 4.0 為 42.3 對 31.2；DeepSWE v1.1 為 77.0 對 74.2；ProgramBench 為 29.1 對 20.3；NL2Repo-Bench 為 68.2 對 65.4；Automation-Bench v1.0.6 為 60.5 對 54.8；Agents' Last Exam 為 35.4 對 31.8；Apex Bench v1.1 為 72.1 對 64.6；Chartography 搭配工具為 83.0 對 78.9；BabyVision 搭配工具為 92.5 對 89.6；以及 ZeroBench-main 搭配工具為 51.0 對 49.0，皆為 Pass@5 成績。同一張表也把 1017 與 DeepSeek 拿來對標的前沿模型並列：它如今在 Terminal-Bench 4.0 上超越 GPT-5.6 Sol，42.3 對 39.9，但仍落後 Opus 5 的 51.8；在 DeepSWE v1.1 上則同時領先兩者，77.0 對 73.0 與 74.0——這一列是從廠商自家公告所附圖表讀出的，也是本週被引用最多次的單一數字。在 NL2Repo-Bench 上，它提升到 68.2，仍落後 Opus 5 的 75.3；這也正是九月表格的型態：在有工具框架的代理式工作上最強，在獎勵推理深度的列上則落後。Terminal-Bench 4.0 這一列值得多看兩次，因為它現在是該表中唯一有獨立對照的一列。DeepSeek 是在 Claude Code 框架下執行；Artificial Analysis 則在 mini-swe-agent 下執行同樣的 66 項任務，其 10 月 18 日針對這批權重所得的結果是 33.8——比廠商的 42.3 低八點五個百分點。在 DeepSeek 自家表格上，該列以 4.4 個百分點超越 GLM-5.3，42.3 對 37.9。在 Artificial Analysis 的框架下，同一批權重則落後 GLM-5.3 八個百分點，33.8 對 41.9。

一行小字，比其中好幾個 delta 更有價值。九月的卡片以 Minimal 模式的 DeepSeek Harness 評估 Terminal-Bench 4.0；1017 卡片則說，Terminal-Bench 4.0 用的是 Claude Code harness，DeepSWE v1.1 用的是 Mini-SWE-V2。本文後段的 harness 研究，在一個模型上跨七個 agent CLI 測到七點的差距，因此 Terminal-Bench 4.0 出現十一點的變動、底下卻換了不同的 harness，就不能解讀成十一點的模型進步。卡片說明了它用的是哪個 harness，這正是讓該列可稽核、而不只是令人印象深刻的原因；但這一列是兩項變革共用一個數字。獨立測試把兩者分開，而且結果不利於廠商。Artificial Analysis 以 mini-swe-agent 在 Terminal-Bench 4.0 上評估同一組 1017 權重——那是它在該榜單上對每個模型都固定使用的 harness——得到 33.8，而九月檢查點在相同 harness 下是 26.8。在固定 harness 下，這個檢查點值七點，不是十一點；而 DeepSeek 的頭條數字，比同一組權重於跨模型固定 harness 時的分數高出八點半。DeepSeek 其餘的框架談的是成本而非分數，而這正是九月版本推銷時所沿用的同一軸線：變更日誌宣稱這次更新縮短任務執行時間與輸出長度，稱結果是「跨多個 harness 的新效能–成本帕雷托最優點」，並說它針對 DeepSeek Harness、Tencent CodeBuddy 與 WorkBuddy 最佳化，建議使用 DeepSeek Harness 0.2.1-rc.1 或更新版本。執行時間與輸出長度，正是本文中冗長度證據從外部追蹤的量；而 DeepSeek 現在宣稱兩者都削減了——卻沒有附上任何數字。現在已有對新檢查點的一項外部測量，而它沒有顯示執行時間或輸出有削減：Artificial Analysis 的指數測試中，1017 權重每項任務 288.8 秒，九月則是 289.9 秒；每項任務輸出 89,495 個 token，九月則是 88,574 個——兩者都持平，成本節省則落在完全不同的地方。DeepSeek 同日在自家帳號發布的貼文，把這一切壓縮成「更快的任務完成，以及更短的輸出」，然後稱這對組合是效能與成本的帕雷托改進——這是變更日誌說法的簡短版，來源相同，也同樣未經測量。這是廠商在複述自己，不是第二個來源——這很重要，因為外界這一週不斷重複的，正是那張圖表上的數字。公告中唯一確實帶有數字的產物，是貼文所附的圖表，它把 DeepSWE v1.1 Pass@1 對上 mini_swe_v2 harness 下的每項任務平均成本作圖。在讀帕雷托那句之前，值得先讀它的圖說：圖表下方所依據的公開排行榜資料，在圖上標註的日期是 9 月 22 日，比這張圖被用來宣傳的檢查點早了三週半；而 OpenAI 模型的比較線，歸功於 OpenAI 自家的 DeepSWE 圖表，而不是一次共同測試。那張圖上有一個點是新的。而它用來對照的一切，都在它存在之前就已發表。

就在那次替換的同一天，對那張表流傳最廣的解讀，來自一個與模型運行位置有利害關係的人。在 Databricks 從事 AI 系統工作的 Yuchen Jin 發文表示，DeepSeek-V4.1-Flash-1017「在 DeepSWE v1.1 上得分 77」，是「以低 83 倍的成本達到 Opus 5 等級的效能」，並且「我們將在 Databricks 上推出它」。77 是 DeepSeek 自己那一列，取自廠商公告所附的圖表，公司以外沒有任何一方重現過。這兩個比較點都是 Jin 提出的，且清楚分成一個經得起外部查核、另一個則否。Opus 5 等級的說法站得住腳：發布 DeepSWE v1.1 的獨立排行榜在各自的執行結果中，把這個模型的名字放在那個水準區間。Mercor 的 APEX 排行榜——橫跨 91 個儲存庫的 113 項原創任務，在 mini-swe-agent harness 下評分——列出 Opus 5 Max 為 71.4%，以及一項 DeepSeek V4.1 Flash Max 條目為 71.7%；而同基準的 llm-stats 排行榜則將 Claude Opus 5 列為 68.8%，DeepSeek-V4.1-Flash 為 74.2%。對這兩個比較點的老實解讀，比該貼文所呈現的更狹窄：兩個獨立衡量此基準的排行榜都同意，該模型在此基準上至少與 Opus 5 相當，而兩個榜都沒有顯示 77，因為兩者不是採用九月的數字，就是採用自家的執行結果，而且兩者都沒有用 1017 檢查點標註任何條目。「Opus 5 等級」作為對某個水準區間的陳述是有依據的。但催生這個說法的數字，尚未可被重現。

貼文中的 83× 那一半是他自己的算術，而非已公布的數字，而這正是應該寬鬆看待的那一半。沒有任何榜單列出 1017 checkpoint 的每項任務成本，而 DeepSeek 自家 Pareto 主張背後的供應商圖表，是以對數軸繪製每項任務成本，範圍從 10 美分到 20 美元——這正是如此大的倍數所需的差距幅度。單就牌價而言，差距比 83× 窄：Claude Opus 5 每 100 萬輸入 token 收費 5 美元、每 100 萬輸出 token 收費 25 美元，而 DeepSeek-V4.1-Flash 在平日尖峰時段為 0.30 美元與 1.20 美元，輸入約 17×、輸出約 21×，而答案會隨快取命中占比以及一項任務消耗多少 token 而有很大變動。成本論點的方向在這篇文章中、或其他任何地方都沒有爭議。具體倍數則是針對一場無人發表過的比較所提出的主張。

Databricks 是那篇文章中讀者可以對照文件查證的部分，而文件所說的比文章更多。DeepSeek V4.1 Flash 自 9 月 11 日、也就是 DeepSeek 發布後的隔天起，就已登上 Databricks Unity Gateway，透過該平台的 Foundation Model APIs 提供文字與影像輸入，服務名稱為 system.ai.deepseek-v4-1-flash；10 月 7 日，平台又為它新增了優先按 token 計費（priority pay-per-token）與預留配置輸送量（reserved provisioned throughput）。它也是該平台為這個系列指定的遷移目的地：Databricks 已排定 DeepSeek V4 Pro (0813) 於 10 月 30 日退役、DeepSeek V4 Flash (0731) 於 11 月 5 日退役，並在兩份通知中都指名 DeepSeek V4.1 Flash 為建議替代方案。然而，沒有任何 Databricks 頁面提到 10 月 17 日的 checkpoint 即將推出。這項說法來自一名員工以個人身分發言——這是關於意圖的內部訊號，而非已上線的日期，而且支援模型頁面仍列出該模型，並未標註 checkpoint。因此，本週的可用性變動屬於預告性質，來源是平台內部人士，而非平台本身；Databricks 客戶今天能呼叫的是九月的權重，而本文一直在描述的替換——同一名稱、同一價目表背後的新權重——就是這項替代方案一旦落實時會採取的形態。

沒改變的部分和改變的部分同樣重要。四項獨立工具中有三項仍只涵蓋九月的權重，而且僅涵蓋那些權重：Exploit Bench harness table、社群 kernel board 與 AA-AgentPerf hardware runs 全都是在切換前產生的；而掛著此模型名稱的兩個 DeepSWE v1.1 榜單，所公布的條目並未標明任何檢查點。第四項則在 10 月 18 日改變：Artificial Analysis 為 1017 檢查點新增了獨立的一列，在其 Intelligence Index 上給出 45 分、在 Terminal-Bench 4.0 上給出 33.8 分，並保留九月那一列為 39 與 26.8。這是本文中首次出現由 DeepSeek 以外的人，針對 DeepSeek 目前正在提供的權重所產生的數字。這次 API 變更是某個名稱背後的檢查點更新，而 DeepSeek 早已記錄該名稱指向最新的 Flash 模型——這與九月讓 deepseek-v4-pro 以不同模型身分作答的計畫正好相反，而這正是開發者當初反對那項計畫時所劃出的區別。對呼叫方而言，實際影響範圍狹窄且具體：現在要求 deepseek-flash 會以相同價格取得不同的權重，背後有更好的廠商回報表，而且自 10 月 18 日起，有一家第三方為它們評分——在雙方都有數據的那一列上分數較低。在 OrcaRouter 上，模型 id 與價目表同樣未變——DeepSeek V4.1 Flash 以 DeepSeek 自家定價路由，0% 加成原樣傳遞——從呼叫端這一側來看，這正是廠商在不更動名稱或價格的情況下更新模型時應有的樣子。

9月10日實際上發布了什麼

更新日誌的條目以一句話開頭：「今天，我們正式發布 DeepSeek-V4.1-Flash 模型。」DeepSeek 將其描述為新模型結構家族中最小的成員，具備原生視覺理解能力，且是此週期中首個附帶技術報告的發布。API 方面則是名稱替換，而非遷移：

• 模型名稱 — DeepSeek 自家 API 上的 deepseek-flash；base URL、金鑰與請求格式均維持不變。

• 已退役 — DeepSeek V4 Flash 和 DeepSeek-V4-Flash-Vision-Exp 已離線。其舊 ID 仍可接受，現在會路由至 V4.1 Flash，以 Flash 費率計費，因此現有整合無需更改程式碼即可繼續運作。

• V4 Pro — DeepSeek 宣布，自北京時間 9 月 14 日 12:00 起，deepseek-v4-pro 的請求將以 V4.1 Flash 的價格路由至 V4.1 Flash，直到 V4.1 Pro 推出；但在該日期到來前，DeepSeek 又撤回了這項決定。V4 Pro 仍會提供服務，計費維持不變，DeepSeek 表示若有任何進一步變更將會提前通知。

• Envelope — 1M token 上下文視窗、384K 最大輸出、每個帳號 2,500 筆並行請求，支援圖片輸入，預設開啟思考模式，並提供非思考選項。

• 權重——同一天，儲存庫 deepseek-ai/DeepSeek-V4.1-Flash 在 Hugging Face 上以 MIT 授權上架：48 個 safetensors 分片總計約 510 GB，旁邊附有 PDF 格式的技術報告，以及 inference 資料夾中的參考推論實作。

最後一項要點，也正是「已退役模型 ID」這件事對那些在生產環境路徑中硬編碼 deepseek-v4-flash 的人真正落地的地方：它依然能解析，但實際回應的已是另一個模型。DeepSeek 已明確表示，這只是相容性墊片，而非承諾，因此這其實是一個披著棄用通知外衣的遷移截止期限。

架構，如今正式記錄在案

兩天前，這個章節原本只可能是一份沒人發表過的東西的清單。這份技術報告解決了這個問題，而結構上的宣稱結果是字面上的，而非行銷用語。DeepSeek V4.1 Flash 是一個擁有552B參數的多模態混合專家模型，而新的部分正是決定其運行成本的部分：

• 主幹 — 總計 552B 參數，採用混合專家（mixture-of-experts）架構，每層有一個共享專家和 384 個路由專家，每個 token 啟用六個路由專家。

• CED — 一個 40 層的 transformer，拆分為 20 層的因果編碼器與 20 層的解碼器。解碼器的全域 KV 快取是從編碼器最終的隱藏狀態投影而來，而非由每個解碼器層自身的隱藏狀態推導，而這正是大部分記憶體節省的來源。

• 激活不對稱——預填充階段每個 token 約有 8B 參數處於激活狀態，解碼階段則約為 16B，因此讀取一段長提示詞的成本遠低於據此生成內容。

• KV 快取 — 報告宣稱每個 token 的全域 KV 快取為 890 bytes，約為 DeepSeek V4 Flash 的四分之一，採用 FP4 主要 KV 快取，每 16 個通道配一個 scale，並加上跨層重用。

• 注意力與解碼 — 具備 Full、Reindex 與 Reuse 模式的 Compressed Sparse Attention 2，以及階層式稀疏索引器、Single-Pass mHC 與 DSpark 推測性解碼。

• Engram——一個 196B 參數的條件式記憶表，透過基於 token 的查詢稀疏存取，位於專家混合路徑旁，而非注意力堆疊內。它是此次發布中最大的單一權重區塊，而模型卡中針對它的數字，正是讓下載檔案大小易於理解的原因。

• 視覺 — DeepSeek-ViT，配備兩層 MLP 投影器，從語言模型預訓練之初便同步訓練，而非事後才附加到文本基礎之上。

• 訓練 — 45T token 的多模態語料，稀疏注意力以 64K 序列長度訓練，並在 34T token 階段將上下文擴展至 1M。後訓練依序執行 SFT、RL，再進行同策略蒸餾。

• 推理強度 — 一個可從 1 到 100 連續調整的整數，比 DeepSeek V4 Pro 提供的低、高和最高等級更精細的調節刻度。

KV 快取這項數字，是會帶來規格表之外後果的那一項，也是設計真正證明自身價值之處。1M token 的上下文視窗，只有在你負擔得起把它填滿時才有用。前一代長上下文經濟性之所以令人痛苦，原因有兩方面：全域快取會隨著每個對提示進行注意力運算的層而增長，而大多數持久快取容量都被用來保存滑動視窗狀態，這些狀態在幾分鐘內就不再有用。報告提出的答案同時針對這兩點。至於實際提供服務的產品在真實併發負載下、於 1M token 時是否與之相符，仍是需要第三方驗證的說法——如今存在的獨立評分衡量的是模型，而非長上下文經濟性——但其機制如今已有文件記載，而非靠推論得出，下文將對其進行拆解。

快取內部：每個 token 的 890 位元組究竟是如何達成的

報告的標題就是論點。讀完標題後，效率主張就不再像是混合專家（mixture-of-experts）骨幹的副作用，而開始像是設計綱要——這正是自發布以來獨立報導逐漸趨同的解讀。它在商業上而非學術上重要的原因，在於代理的帳單實際落在哪裡：DeepSeek 的框架是，在長時間的代理式工作負載中，快取命中那一項才是主導帳單的項目，這使快取大小成為首要的成本槓桿。DeepSeek 的數字把全域快取定在每 token 890 位元組，約比最初的 DeepSeek V1 小 437 倍，也大約是 DeepSeek V4 Flash 的四分之一。對一個完整視窗做算術，就會看出這是在單一 1M-token 序列約 890 MB 的全域 KV，與按 V4 Flash 每 token 比率計算約 3.5 GB 之間的差別。有三項變更完成了大部分的壓縮：一項關於儲存量，一項關於被讀取的內容，還有一項關於究竟要保留什麼。

儲存格式是其中最容易理解的。主要的全域快取以 FP4 儲存，採用 E2M1 配置，每 16 個通道搭配一個 E4M3 尺度——寬度是 DeepSeek V4 所儲存 FP8 快取的一半，也是 FP16 的四分之一。之所以還能承受，是因為 DeepSeek 在訓練期間就對快取進行量化，而不是等到 serving 時才做，因此較窄格式引入的雜訊是模型學會繞開的對象，而不是事後強加給它的東西。並非所有東西都這樣壓縮：本地的滑動視窗快取仍維持 FP8，因為報告把它視為對進一步縮窄較為敏感的部分。

{{1}}Compressed Sparse Attention 2{{/1}} 負責處理哪些內容會被讀取。每個注意力層都會靜態指派為三種模式之一——{{2}}Full{{/2}}、{{3}}Reindex{{/3}} 或 {{4}}Reuse{{/4}}——因此解碼器層可以共用鍵狀態與索引器狀態，而不必各自保留一份；第一個 Full 模式層會建立候選池，後續的索引層只能受限於此候選池。報告數據指出，該候選池有 16,384 個位置，稀疏選擇涵蓋前 512 個條目，這正是讓索引成本與上下文長度脫鉤的機制：DeepSeek 聲稱，從 4K 上下文增加到 1M 上下文時，每個生成 token 只增加約四分之一的計算量，而不是早期設計所暗示、大致與視窗成比例的增長。對任何想為長上下文工作負載估算成本的人來說，這個單一數字是報告中最有用的資訊，同時也是完全沒有外部確認的一項——本文中的所有外部測量都未曾測試上下文視窗的遠端。

在持久化方面發揮最大作用的變更，名字卻最不吸引人。在典型工作負載下，DeepSeek V4 會將兩樣東西留在其持久化快取中超過 72 小時：全域 KV 與滑動視窗注意力狀態。滑動視窗狀態的有效期只有幾分鐘，卻佔用了接近一半的持久化快取容量——這些儲存空間原本是為可存放數天的資料而設計，而該資料只有一分鐘的用處。V4.1 Flash 將 SWA 狀態完全移出持久化快取，並將其安置在一個由每台機器約 10% 主機 DRAM 組成的池中，存活時間為分鐘級。當工作階段恢復而該狀態已不存在時，SWA Bounded Replay 會近似重建它：它不是重放「層數 × 視窗 token 數」，而是只重放最近的視窗（據報為 128 個 token），並接受重建後的狀態在數學上不等同於完整重放。DeepSeek 表示，這種近似對品質的影響很小，並在後訓練期間模擬了相同的行為。把這一點與更窄的全域快取結合起來，在相同工作負載下，持久化 KV 佔用量降至約 DeepSeek V4 Flash 的八分之一——這比規格表首要標示的四分之一降得更多，因為這是兩項變更疊加，而非一項格式變更。

所有這一切都受兩項限制。報告未提供端到端延遲或成本比較，因此持久性快取縮小至八分之一，並不代表已證明工作負載成本降低為八分之一：壓縮可緩解記憶體壓力，而帳單中只有受記憶體限制的部分會隨之變動。而且節省並非自動發生。引擎必須先實作編碼器-解碼器投影、三種 CSA2 模式、FP4 快取配置與 Bounded Replay，這個數字才有意義，因此最好把 890 位元組解讀為 DeepSeek 自家服務 API 的第一方規格，而不是對本地建置的承諾——儲存庫中針對 llama.cpp、Ollama 與 LM Studio 的量化轉換版本並未連帶包含此快取。這個頭條數字也涵蓋文字 token；視覺嵌入則不在其列。在任何自架環境中，值得信任的數字是你自己測出來的那個。引擎能靠它達到什麼程度，已不再是假設，儘管仍算不上獨立驗證。vLLM 在發布後的三週內實作了解碼器端的裁剪與 Bounded Replay，並在下方速度章節公布了前後對照——這是迄今最接近對該規格進行檢核的一件事，而且是由引擎自行衡量自身工作，而非由評估者衡量模型。

獨立評分，執行兩次：九月權重為 39，1017 為 45

Artificial Analysis 發布了對 DeepSeek V4.1 Flash 的首個外部評測，而這個數字正是測試版無法產出的。在目前版本的 Artificial Analysis Intelligence Index（v4.3.2）上，該模型在推理模式、最高強度下得分 39。在相同量表與相同設定下，DeepSeek V4 Pro 0813 得分 36，DeepSeek V4 Flash 0731 得分 34。這三列數據合起來看，正好說明了 DeepSeek 自家行銷所宣稱、但其基準測試本身無法證實的事：這個家族中最小的模型如今是最強的。Artificial Analysis 稱 39 分遠高於同等規模開放權重模型的中位數 19 分。在五週時間裡，這個分數只屬於九月檢查點：評測機構的清單上僅列出九月的發布日期，別無其他。10 月 18 日，情況改變了，而這項變化正是本文最初發布時尚未掌握的新聞。清單上出現了第二列，對應 DeepSeek V4.1 Flash 1017，日期為 10 月 17 日，在同一指數、同樣最高強度下得分 45。這使 1017 權重與同得 45 分的 GLM-5.3 並列，比 47 分的 GPT-5.6 Sol 低兩分，比 51 分的 Claude Opus 5 低六分——並讓該檢查點成為該網站測量過得分最高的 DeepSeek 模型，而此時距離九月權重奪下該頭銜才過五週。這也賦予該模型此前未曾擁有的地位，而評測機構在 10 月 19 日的報告中明確指出：它在開放權重榜上排名第二，與 GLM-5.3 並列，落後 46 分的 MiMo-V2.6-Pro 一分；Step 5 Preview 與 Kimi K3 則再低一分，為 44 分。這六分並非平均分佈於十項評測中。同一份報告指出，最大幅度的進展出現在代理與知識元件——GDPval-AA v2.1 Elo 為 1,746，對比 1,600；AA-Briefcase v1.1 Elo 為 1,570，對比 1,420；AA-Omniscience 非幻覺率為 33%，對比 4%，準確率從 43% 升至 46%，該評測的指數從 -5 升至 +5。這些是評測機構針對自家測試給出的數字，由其自行發布，而非本文轉載；它們描述的是一個明顯更不願意編造答案的模型——這與 DeepSeek 更新日誌首要強調的速度提升屬於不同類型的進步。

這裡真正重要的比較是內部比較，因為那正是 DeepSeek 的路由表所做的同一種比較。V4.1 Flash 的總參數量為 552B，每個 token 啟用 16B；DeepSeek V4 Pro 0813 的總參數量約 1.6T，啟用參數量約 49B。一個主幹規模僅約三分之一的模型，在其製造商並未跑過的綜合評分上高出三分——一旦計入 1017 權重，則高出九分，因為這款 1.6T 旗艦仍停留在 36。規模與分數之間的取捨正是 Causal Encoder-Decoder 設計的全部論點，而一位與結果毫無利害關係的評測者，如今得出了與此相符的數字。

這項說法的價格部分也同樣成立，而這是本篇報導中第一個並非來自 DeepSeek 價目表的價格比較。Artificial Analysis 列出 DeepSeek V4.1 Flash 為每百萬輸入 token 0.30 美元、每百萬輸出 token 1.20 美元，而 DeepSeek V4 Pro 0813 則為 1.32 美元與 3.96 美元——輸入便宜 4.4 倍、輸出便宜 3.3 倍；若按該網站 7:2:1 的快取命中、輸入與輸出混合比例計算，混合價格為每百萬 0.18 美元。它也比其所接替、更舊且更小的 DeepSeek V4 Flash 0731 更便宜；該網站列出後者為 0.44 美元與 1.32 美元，但分數低五分。比它所接替的模型更便宜，比它所取代的模型更便宜，並且在指數上領先這兩者。

這個數字有兩點但書。它是十次以最大推理強度執行之評估的綜合結果，因此對於多數生產流量實際使用的較低推理強度設定一無所說，也無法說明品質在 1M token 視窗最遠端如何維持。而且它是單一評估者的分數：獨立，但未經重複驗證——而這個綜合分數本身自本文首次引用以來也已修訂，從 v4.3 到 v4.3.2，使 DeepSeek V4.1 Flash 的分數從 40 變成 39，其前代從 35 變成 34。它確實確立的是狹窄而有用的一點——beta 無法支撐的那項主張，即 552B 模型確實能與 DeepSeek 自家的 1.6T 旗艦競爭，如今有了 DeepSeek 之外的來源。1017 那一列帶有同樣兩點但書，還有一點。它是單一評估者的分數，針對比這裡多數證據新五週的權重，而且它是單一綜合分數，而非對任何廠商列的重現。其每任務價格在網站上也已變動：九月檢查點今日列為每項 Intelligence Index 任務 $0.49，而本文最初刊載的是 $0.27，1017 檢查點則是 $0.26。把這個美元數字視為別人儀表板上的即時數字，而非常數——這正是指數分數本身從 40 變成 39 時所帶來的同一堂課。分數旁的成本表是其餘的但書，而且它兩面都成立。排名比它高一名的模型價格也只有它的一半：MiMo-V2.6-Pro 以每項 Intelligence Index 任務 $0.13 達到 46，而這裡是 $0.26；Artificial Analysis 自家的比較則把中等推理強度的 GPT-6.1 Sol 放在 48、$0.21。1017 檢查點真正贏下的是 DeepSeek 自九月以來一直在推銷的正面對決——它在該表的兩個軸上都擊敗 GLM-5.3-Flash，45 對 42，每任務 $0.26 對 $0.28——而這正是能力與成本同向變動的配對。

下一個外部分數：ARC Prize 正在打造這項測試

9月25日，ARC Prize 的模型測試負責人 Matt Mazur 在該基金會自家的 ARC-AGI-3 基準測試儲存庫中開了一個 pull request，新增一個第一級 DeepSeek 供應商配接器：一個名為 deepseek-v4-1-flash-low-provider-adapter 的設定檔，其模型欄位為 deepseek-ai/DeepSeek-V4.1-Flash。ARC Prize 打算評估此模型的說法，最初只是來自一則社群貼文，因此我們是拿基金會自家的程式碼來查核，而不是拿那則貼文來查核。配接器、設定檔、其單元測試與文件都在差異內容中，而該儲存庫正是 ARC Prize 測試政策為其互動式代理基準測試所指名的測試框架。不存在的是結果：該 pull request 仍處於開啟且未合併狀態，沒有分數、沒有發布日期，也沒有說明將公布哪些推理等級。這件事之所以重要，在於測量的形態，而不是即將有結果的消息。ARC-AGI 問了一個其他排行榜不會問的問題：一個模型可以在測試框架內既快速、便宜又強大，卻仍在未曾見過的任務上只拿到六十幾分。這正是至今還沒有人對 DeepSeek V4.1 Flash 提出的問題。

這個設定檔明確界定了這類執行會如何運作，而有三個細節會影響最終得出的數字。它會以低推理強度設定而非最高強度來執行模型、串流回應、設定 100 萬 token 的評估框架上下文並在 175,000 個 token 時觸發摘要壓縮，並將輸出上限設為 262,144 個 token。它會透過 Baseten 的 OpenAI 相容端點路由，而非 DeepSeek 自家的端點，且其設定價格為每 100 萬輸入 token $0.30、每 100 萬輸出 token $1.20——這是 DeepSeek 的尖峰價目表費率，而非本文下方引用的離峰數字。ARC Prize 會根據設定檔中配置的價格計算每項任務成本，因此最終數字會是尖峰費率，在拿來與 DeepSeek V4 Flash 0731 受測時所公布的每項任務 $0.042 相比之前，這點值得記住。另一個不尋常的特點，是針對 DeepSeek 思考模式行為方式的變通做法：歷史推理內容只會在請求帶有工具時重播，因此轉接器會讓模型把每個 ARC 動作都以 submit_action 工具呼叫的形式發出，並重播附有其推理內容的完全相同助理訊息，而不是從自然語言文字中解析動作。

用來衡量這項結果的標準，來自 ARC Prize 自家的排行榜。DeepSeek V4 Flash 0731，也就是 V4.1 Flash 所汰換的檢查點，是它所屬 Flash 級別在該排行榜上的已驗證條目：在最高推理強度下，ARC-AGI-2 為 61.4%，ARC-AGI-1 為 89.0%，每項任務分別為 $0.042 與 $0.021。Dots3-Note Preview 在 ARC-AGI-2 上為 76.8%，也就是標記出該適配器的那篇貼文所指向的 77%；而同一帳號的預期——一個規模大得多、原生多模態的後繼模型若低於 80% 就會令人失望——是他的個人定調，而非已公布的目標。那套定調剩下的部分值得標上一個標籤：V4.1 Flash 比它所取代的模型多產生 29% token 的說法，既未註明出處，也未經定義，而 DeepSeek 或 ARC Prize 已發布的任何內容，都沒有說明它衡量的是什麼。

關於這是哪一個排行榜，有一點需要留意。這個適配器已進入 ARC-AGI-3 儲存庫，也就是該基金會互動式代理基準的測試框架；而另一個執行 ARC-AGI-1 與 ARC-AGI-2 的獨立儲存庫則完全沒有 V4.1 條目——其模型清單自 7 月 27 日以來未曾更新，仍列著較舊的 DeepSeek 端點。因此，可確認的事實是：ARC Prize 已將此模型接入其代理測試框架；至於它是否也會出現在 ARC-AGI-2 排行榜上——也就是 61.4% 比較所在之處——目前公開程式碼並未顯示。對任何正在挑選模型的人而言，實務上的判讀空間已經擴大。目前已有四項獨立評量機制在 DeepSeek V4.1 Flash 上運作——一項已執行兩次的綜合指數（每個檢查點一次）；一個社群核心排行榜；一項由測試框架控制的資安基準；以及自 10 月 14 日起的一項硬體服務基準——其中兩項會把模型放進測試框架，執行它未曾見過的任務。兩者中較新的是綜合指數，自 index v4.3 起納入 Terminal-Bench 4.0：66 個終端機任務，pass@1 取三次重複的平均值，每個模型都處於相同的代理測試框架下。其 10 月 18 日針對 1017 權重所得的結果是 33.8。下文的資安基準是這些評量中最接近的一項，而在該基準上，此模型輸掉了它唯一進行的正面對決。ARC 評測檔案是為了回答推理問題而建立的評估，而它仍是唯一沒有數字的一項。在它執行之前，此模型的推理上限尚未被測量，而用來與之對照的數字是其前一代的數字。

首個外部資安評分：測試框架對分數的影響比模型本身更大

9月28日，評測實驗室 Generality Labs 發表了其早前網路安全工作的一篇後續文章，題為「執行 Cyber Benchmarks 時，測試框架要緊嗎？」——這是首個完成的外部量測，把 DeepSeek V4.1 Flash 與另一個開放權重模型放在同一個網路基準上並列比較。該基準是 Exploit Bench，由 Carnegie Mellon 的 Seunghyun Lee 與 David Brumley 教授所做的評測，評分代理在十六項能力階梯上能爬多高——從觸及有漏洞的程式碼、觸發錯誤、建構漏洞利用原語，到任意程式碼執行——對上啟用 V8 安全沙箱的正式版 V8。該實驗室跑了兩個模型，DeepSeek V4.1 Flash 與 Z.ai 的 GLM-5.3-Flash，每項任務有 2.5 億個 token 的預算，任務共 10 項，是透過項目反應理論（Item Response Theory）從該基準原本的 41 項中抽出的；並在七種測試框架設定下重複測試每個模型：六個代理 CLI——Claude Code、Codex、Kimi CLI、ReAct、Gemini CLI 與 OpenCode——加上該基準自身的預設設定，文章稱之為 Original。Original 根本不是第三方 CLI：它沒有 token 限制、有 300 回合的上限，且沒有上下文壓縮。指出這項結果的帳號把 Original 描述為大致上就是一個 Python while 迴圈；那是他的描述，而非研究人員的，研究人員自己的描述就是上述那段。

結果是任何單一分數都無法呈現的分布。平均能力以 16 分為滿分。DeepSeek V4.1 Flash 在 Claude Code 下表現最佳，為 9.3，Codex 以 8.9 居次；同一個模型在 Kimi CLI 降至 7.4、在 OpenCode 為 5.9、Gemini CLI 5.7、ReAct 5.3，而在 Original 下為 4.7——那是它自家的基準預設，也是七者中最差。GLM-5.3-Flash 則在兩端都顛倒了這個排名。它最佳的配置是 Codex 的 10.6，高於該研究自家資料集在完整 41 項任務集上為 Mythos Preview 記錄的 10.02，不過研究人員提醒，10 個樣本的子集並不具完全代表性；它最差的是 Claude Code 的 6.2，而這正是 DeepSeek V4.1 Flash 表現最佳的同一個測試框架，另外在 Gemini CLI 為 8.9、Kimi CLI 8.2、OpenCode 8.1、ReAct 7.7，Original 下為 6.4。七者平均下來，GLM-5.3-Flash 約在 8.0，DeepSeek V4.1 Flash 則約 6.7。因此，隨著這項結果流傳的說法，其兩個部分都與已公布的資料相符：測試框架的選擇價值數分，而在這項基準上，DeepSeek V4.1 Flash 是兩個模型中較弱的一個——唯獨在 Claude Code 下例外，它在該處領先超過三分。

研究人員明確表示，他們無法完全解釋這種擴散現象。他們唯一的正面線索，是各個測試框架如何壓縮上下文，而差異就在於措辭。ReAct 的壓縮提示要求模型「撰寫一份續接摘要，讓您（或另一個您）能夠繼續工作」；在該實驗室公布的逐字稿中，這有時會導致模型宣告工作已完成，之後測試框架再次喚醒它，而它便重複提交同一份報告數十次，直到預算耗盡。Codex 則把同一時刻表述為「為另一個將接手此任務的 LLM 建立交接摘要」，該實驗室假設，正是因為對另一個代理說話，才讓模型在長期預算下持續推進。他們稱這是假設，而非原因。還有一個設定錯誤也會影響如何解讀這張表：ReAct 的壓縮被設為 100K tokens，而非原本預定的觸發值，因此其壓縮頻率遠高於設計所需，壓低了兩個模型的 ReAct 列。這項研究自身的注意事項，值得在引用其中任何數字時一併記住：兩個模型、每種測試框架設定 10 個樣本、每個模型 70 個問題樣本，對照基準原本的 41 項任務，以及三個出錯或從未完成的樣本，其中兩個是 GLM-5.3-Flash。作者指出，小樣本本質上帶有雜訊，不應假定結果可推及其他領域與任務，而 METR 先前的研究發現，在長時程任務上，不同測試框架之間沒有統計上顯著的差異。這是由外部實驗室操作他人的基準，而非基準所有者，且未經同儕審查。它並非廠商提供的數字；而且在這篇文章中，它是第一個不僅未能證實廠商說法、反而與之相矛盾的外部數字。

這裡有一件事是路由器能施力的，另一件則不能。它無法替你選擇你的框架（harness）——那是你已經在運行的 agent 迴圈，而這份研究的重點正是：這個選擇舉足輕重。它能做的，是讓這對組合中屬於模型的那一半，變成只需改動一行。DeepSeek V4.1 Flash 與 GLM-5.3-Flash 都可透過 OrcaRouter 路由，使用單一 OpenAI 相容金鑰，並以供應商自身的定價、外加 0% 的加價提供；因此，想找出自己專屬模型與框架組合的團隊，可以在固定框架下置換模型，無須第二份合約或第二次整合，並在置換結果被證明是退步時，留下原本已驗證的模型作為自動容錯切換。這與下方採用（adoption）章節所提出的論點如出一轍，只是套用在框架研究才剛具體化的一項決策上：根據這份證據，你所運行的框架可能比你所選的模型更重要，而這對組合中模型的那一側，正是你能在一個下午內改變的那一側。

它與前沿相比處於什麼位置，以及它仍然在哪裡落敗

九月模型卡將 V4.1 Flash 與 Opus-5.0、GPT-5.6 Sol、Kimi K3 及 GLM-5.3 在最高推理強度下進行比較，並以自家的 DeepSeek V4 Pro 與 DeepSeek V4 Flash 作為內部基準。下方每一個數字皆為廠商自行回報，在 DeepSeek 的測試框架上執行，且未經任何第三方重現。模型卡指出，代理式結果使用 DeepSeek Harness 的 Minimal 模式，程式基準採用 1M token 上下文，視覺基準則採用 512K 視窗，因此這些結果無法與同一批基準上已公布的第三方數字直接比較。上方各節的獨立分數是不同評估集上的不同測量；它們支持整體概況，但不佐證下方任何個別列，而上方章節中 10 月 17 日的各列來自另一張模型卡，以及同一批基準的另一輪執行。

在代理式與程式編寫工作上，廠商數據顯示 V4.1 Flash 優於它所指名的那幾個前沿模型：

• Terminal-Bench 2.1 — 90.6，相較於 Opus-5.0 的 89.1、GPT-5.6 Sol 的 88.8 以及 DeepSeek V4 Pro 的 87.9

• DeepSWE v1.1 — 74.2 已解決，相較於 74.0、73.0 與 62.7

• CyberGym — 88.1，對比 GPT-5.6 Sol 和 GLM-5.3 的 84.5，以及 DeepSeek V4 Pro 的 83.3

• AutomationBench — 54.8，相較於 Opus-5.0 的 50.3 與 DeepSeek V4 Flash 的 37.7

• Agent's Last Exam — 31.8，相較於 28.6 與 25.7

• Codeforces — 評分 3,471，領先 DeepSeek V4 Pro 的 3,348 與 DeepSeek V4 Flash 的 3,289

• MathArena Apex — 65.6，與 Kimi K3 持平，並領先 DeepSeek V4 Pro 的 65.3

而在更困難的代理式測試套件上，它卻不然：

• Terminal-Bench 3.0 — 30.0，遠落後於 Opus-5.0 的 43.3 和 GPT-5.6 Sol 的 34.4，但遠超前 DeepSeek V4 Pro 的 11.8

• Terminal-Bench 4.0 — 31.2，對比 51.8 和 39.9，並再次在 12.4 上領先 DeepSeek V4 Pro

• ProgramBench — 20.3，相較於 Opus-5.0 的 37.0

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

• HLE — 36.8，相較於 56.3 與 44.5

ExploitGym — 15.3，相較於 33.7 和 22.1

那份清單的整體輪廓，比任何單一列都更具資訊量。V4.1 Flash 在獎勵於測試框架內持續使用工具的基準測試上領先前沿，卻在獎勵推理深度的那些基準測試上落敗——這正是你會預期從一個圍繞吞吐量與上下文經濟性、而非圍繞原始推理上限來打造的模型身上看到的模式。內部比較才真正引人注目：它在幾乎每一列都勝過 DeepSeek V4 Pro，包括兩者都輸給 Opus-5.0 的那些列。DeepSeek 並不是在宣稱其最便宜的模型是市場上最好的模型。它宣稱的是，其最便宜的模型是 DeepSeek 所打造的最佳模型，而這一點有其自家路由表作為佐證。

費用是多少，以及與 Pro 的比較實際上會呈現什麼樣子

9 月 10 日的價目表現在就是 V4.1 Flash 的價目表，發佈於 DeepSeek 的「Models & Pricing」頁面上，並分為高峰與離峰時段：

• 輸入、快取命中 — 每 1M 個 token 離峰時 $0.003，尖峰時 $0.006

• 輸入，快取未命中 — 離峰時每 1M 個 token 為 $0.15，尖峰時為 $0.30

• 輸出 — 離峰時段每 100 萬個 token 0.60 美元，尖峰時段 1.20 美元

尖峰時段 — UTC 01:00–04:00 及 06:00–10:00，週一至週五；其餘每個時段均按尖峰費率的一半計費

• 以人民幣計——離峰時段為 ¥0.02、¥1 及 ¥4，尖峰時段加倍至 ¥0.04、¥2 及 ¥8

拿它與正在被它取代的模型相比。DeepSeek V4 Pro 在離峰時段每 100 萬個快取命中輸入收費 $0.022、快取未命中輸入 $0.66、輸出 $1.98——在快取未命中輸入上約為 4.4 倍，在輸出上約為 3.3 倍。這些就是 9 月 14 日重新路由時，原本會套用到每一次 deepseek-v4-pro 呼叫的數字，這也是為什麼該計畫既是能力故事、也是價格故事；而它們至今仍是這項比較重要的原因：DeepSeek 撤回的是重新路由，不是價目表。Artificial Analysis 從自家列價得出相同算術——V4.1 Flash 每 100 萬個為 $0.30 與 $1.20，對上 DeepSeek V4 Pro 0813 的 $1.32 與 $3.96，同樣是 4.4 倍與 3.3 倍，且依該網站 7:2:1 的快取命中、輸入與輸出混合比例，混合價為每 100 萬個 $0.18。這張價目表也低於它所淘汰的 DeepSeek V4 Flash 0731——同一網站將其列為 $0.44 與 $1.32。

每 token 的價格不等於每項任務的成本，而 beta 就是這件事的證據。首日測試者回報，五分鐘的工作階段在新模型上消耗餘額的速度，比在 DeepSeek V4 Flash 上相同的實際時間更快，因為該模型是為了快速輸出 token 而打造，而帳單是隨 token 增加，不是隨分鐘數增加。一張價格只有 Pro 四分之一的卡，如果任務能在相當的 token 用量下完成，就是划算的；如果模型需要思考更久才能達到，那就不相上下。

在這個問題上，只要確實存在外部數字，它就會同時指向兩邊。Artificial Analysis 在其自家評估集上，將 DeepSeek V4.1 Flash 列為每項 Intelligence Index 任務 $0.27——這是在 DeepSeek 之外產生的真實每任務數字，而且偏低。但同一輪執行產生了 2.5 億個輸出 token，而可比模型的中位數是 1.4 億；該網站的摘要一邊稱這個模型很快，一邊又說它非常冗長。在基準測試框架內，冗長是免費的；在生產環境中則代價高昂。這正是 Beta 測試者所描述的機制：他們回報，以實際經過時間（wall-clock）計算，餘額消耗得更快。就每任務這個問題的誠實現況是：一家獨立評估機構如今已在自家評估集上測量了它的兩半，而答案仍取決於你實際運行的是什麼。綜合指標無法顯示多出來的輸出流向何處，Beta 測試者也從未說明。第一批實測報告則有說明，內容就在下方的速度章節：這個模型之所以冗長，是因為它在檢查。10 月 17 日的更新是 DeepSeek 首次聲稱改變了那個數字：更新日誌說新檢查點「縮短任務執行時間與輸出長度」，幾小時後的貼文用更少的話說了同一件事——「任務完成更快，輸出更短」。這是 DeepSeek 以自身權威，回應外部測量所抱怨的那個確切數量，但兩項聲明都沒有附上數字。10 月 18 日首次外部檢視發現，總量下降了——整個指數共 2.1 億個輸出 token，而 9 月是 2.5 億——但每任務數字持平，為 89,495 個 token，對比 88,574。

每月費用：80 美元額度，之後為免費方案

上方那張卡片回答的是一個 token 的成本。另一個數字已變動兩次，而兩次都來自 OpenCode——這個程式編碼代理的 Go 訂閱方案，是把取用此模型的價格定為每月用量額度，而非按計量計費的 token——它談的是自己的訂閱，而不是這個模型。九月二十五日，該平台的帳號發文：「Operation Cheepseek 第二階段：DeepSeek v4.1 Flash 的 60 美元用量現已永久。」十月十二日，它以相同格式發布續篇——「Operation Cheepseek 第三階段：DeepSeek V4.1 Flash 的 80 美元用量」——而其定價頁面在這個模型上顯示 80 美元，九月底時則顯示 60 美元。這個讀值在十月十三日再次從同一頁面取得，並得到同一列：每月 10 美元的 Go 方案為 80 美元，Go Plus 為 160 美元。因此，這個數字不是某則貼文對自身的宣稱；它是一個平台為提供此模型所公布的價格，而且一天後它仍然可見。合起來看，這兩則貼文說明了「永久」後來的實際含義：沒有失效日期——以及三週後更高的數字。這個變化並不是取得該模型的新途徑——那會在三天後、也就是下一段出現。自九月十日起，DeepSeek V4.1 Flash 就已在 DeepSeek 自家 API 上回應請求，而 OrcaRouter 自發布以來便以 DeepSeek 自家費率提供它，因此本文中的權重、架構，以及每一列基準測試結果，都不受訂閱重新定價影響；十月改變的是誰願意提供這個模型，以及依什麼條件提供。

免費條目與前述兩者屬於不同類型的變更，而且是三者之中唯一會改變讀者本週實際能做什麼的變更。10 月 15 日，OpenCode 為這個模型新增了一個獨立條目——DeepSeek V4.1 Flash Free，模型 ID 為 deepseek-v4.1-flash-free——以免費方式提供。該平台的公開模型清單將其與計量收費的 ID 並列回傳，其 Console 文件有一則免費模型條目，將它描述為限時免費，並將其供應商描述為遵循零保留政策、不會以資料進行訓練，而其公布的價格表則將輸入、輸出與快取讀取列為 Free。它不是完整產品。免費條目在目錄中的限制——於 10 月 15 日加入 models.dev，也就是 OpenCode 自身模型清單所取材的目錄——將計量條目標為基礎模型，並將上下文視窗上限設為 200,000 個 token、輸出上限為 32,000 個 token，對比計量的 deepseek-v4.1-flash 條目所具備的 1M 上下文與 384K 最大輸出。那是相同權重搭配更嚴格的服務條款，而不是更小或蒸餾過的模型；輸出上限則是最先在代理式工作上造成影響的條款，因為單次檔案編輯就可能超出上限。該平台未對此安排附加結束日期，也未公布費率表，因為根本沒有費率。這一切都不是來自 DeepSeek：這是某個平台對其並不擁有的模型所做的商業決定，並在其自家模型清單、自家文件與自家價格表上說明；而且這是所有這些資訊的唯一來源——我們找不到任何獨立測量，說明免費端點在負載下的行為，而「限時」是該平台的說法，並非時間表。請把它理解為目前以最便宜的方式，為這個模型提供 200,000 個 token 的上下文視窗，而不是把它理解為模型本身有任何改變。

這些機制來自該定價頁面，於 10 月 12 日讀取，並於 10 月 13 日再次讀取。Go 是每月 $10 的訂閱方案，其表格將方案中的每個模型與每五小時的預估請求次數及每月使用上限配對，並以兩個方案分別列於不同欄位。DeepSeek V4.1 Flash 在該頁面上擁有最大額度：Go 方案為每月 $80 與每五小時 34,670 次預估請求，Go Plus 則加倍為 $160 與 69,330 次。這些列依 DeepSeek 自家價目表計費——每 1M 輸入 token 為 $0.15、輸出為 $0.60，離峰時段的快取讀取為 $0.003，而在平日尖峰時段內加倍為 $0.30、$1.20 與 $0.006——這些都是供應商的數字，自本節先前已收錄的九月讀取以來未曾改變。該頁面當時顯示的兩件事今日已不在頁面上，而兩者都值得標記，因為先前的讀取依賴它們：三桶扣減規則——任五小時 20%、每週 50%、每月 100%——已不再出現，而請求預估最初讀取自的文件 URL opencode.ai/docs/go，在我們檢查時回傳 404。上述請求次數是平台就其未公布的呼叫形態所做的算術推算，並非我們的計算。

這項變更可對照頁面查核，而現在已不只一次，這件事也同樣可查核。九月底時，同一批列在一筆促銷 $15 額度乘四倍至 $60、並載明 9 月 20 日為乘數失效日之後，顯示 $60 且未附到期日；請求數預估以兩欄公布：標準為 6,500 / 16,250 / 32,500，套用乘數後為 26,000 / 65,000 / 130,000。無論採哪一種讀法，這些列都顯示 $80，而此模型公布的預估為每五小時 34,670 次、每月 69,330 次——更高的美元額度，卻伴隨著比九月擴充後組合更低的每月請求數；兩者不可能同時描述同一種假設的呼叫型態。頁面未說明 token 混合比例，也未提供解釋，因此這個差異是關於這兩種讀法的事實，而不是我們能從外部釐清的問題。這些費率本身從來不是 DeepSeek 價目表上的折扣——按 token 計價一直是供應商的定價方式，現在依然如此。額度不能說明的是品質：它只是某個平台判斷自己能在沒有期限的情況下，以那些費率承載此模型的流量，而這是關於服務生態系的證據，而非關於模型的證據。

這個區別在你做選擇時很重要，因為固定上限和原價轉嫁的計量是不同產品。DeepSeek V4.1 Flash 在 OrcaRouter 上以 DeepSeek 自家費率提供，零加成——離峰時段每 1M 輸入 $0.15、每 1M 輸出 $0.60，與上方卡片所列的數字相同，而且沒有捆綁任何其他東西：不必購買訂閱，也沒有每月額度會用完。以固定月費提供 $80 上限，對整天跑 agent 的單一開發者來說是正確的形式，因為問題在於每月要花多少——而這個上限已經調升過一次、幅度三分之一，也提醒我們這個數字是商業決策，不是模型的固有屬性。附帶 200,000 token 視窗的免費方案，適合這週試用模型，卻不適合需要完整視窗的程式碼庫；而這正是同一模型的兩個方案唯一沒有共享的一點。原封不動轉嫁的供應商費率，對服務而言是正確的形式，因為問題在於每次呼叫要花多少，以及供應商下一次調價是否會當天就反映到你身上。兩者都回答了這個模型要花多少錢；只是回答的對象是不同類型的付費者。

速度：Beta 版的數據、開發商的說法，以及引擎本身的前後對比

Beta 開放時，吞吐量是最大的焦點。開發者回報，在長時間生成中大約可達每秒 420 個輸出 token，峰值更超過 500，而有一份廣為流傳的執行紀錄在不到三分鐘內產出了超過 71,000 個 token。這些仍是在未受控條件下取得的社群測量數據，也仍應以這樣的角度解讀——但其背後的機制如今已有文件記載，而非僅止於猜測。每個 token 890 位元組的 KV 快取，加上一條會啟用 160 億參數的解碼路徑，是為吞吐量而打造的設計，因此這樣的架構至少具備產出這類數字的正確雛形。這些數字實際上有多大，是下一段要處理的問題，而答案比較小。

DeepSeek 自己在更新日誌中的說法是，V4.1 Flash「在效能、成本、速度與總時間上已全面超越 V4 Pro」。這裡真正起作用的詞是「總時間」：廠商把速度表述為任務完成，而非每秒 token 數，而後者才是能經受真實 agent 迴圈考驗的指標——那個迴圈會寫入檔案、讀取錯誤，然後再試一次。Artificial Analysis 現在為這項較早的說法給出了實測數字：DeepSeek V4.1 Flash 為每秒 185 個輸出 token，而 DeepSeek V4 Flash 0731 為每秒 175 個。這是一個真實的第三方數字，且大約是開發者在 beta 期間所報告的每秒 420 個 token 的一半，這正是 beta 期間的數字應留在其該在之處——未受控條件欄——的原因。

10 月 7 日，vLLM 專案發表了自發布以來三週的成果結算，而這是本文第一個既不是 token 計數器、也不是廠商口號的實測速度數字。專案以 Inferact 與 vLLM 團隊的名義寫道，DeepSeek V4.1 Flash 在目前版本上，於低併發時比自家首日實作快 1.9 倍，並在 150 TPS 限制下提供 5.3 倍的吞吐量——這是其摘要所載的數字，而同篇文章正文則寫「約 5×」。兩者都是在 SemiAnalysis AgentX 代理式服務基準上測得；低延遲數字背後採用 TP4 與 FlashInfer attention，吞吐量數字背後則採用 DEP2 與資料平行 attention，硬體為 NVIDIA GB200 與 GB300。關於這個結果，有三件事值得分清楚。它拿 vLLM 與 vLLM 相比：基準是專案自家的首日配方，不是另一個引擎，也不是另一個模型，所以這個數字說的是服務堆疊改善了多少，而不是這個模型與其他東西相比如何。這是執行環境對自身工作的自述，尚無第三方重現。而最大的單一增益來自執行環境，而非權重——SWA 有界重放只重跑滑動視窗中最後 128 個 token，而不是跨層重放整個視窗；現在只要開啟單一旗標，就會為此模型預設啟用。專案報告指出，重放加上 CUDA graph 擷取可讓首個 token 時間（TTFT）縮短約 30%，解碼器端精簡讓預填計算量減少 30–40%，而三項最佳化疊加後，在約 100K 吞吐量下 TTFT 可縮短近 70%。它也報告了重放造成傷害的地方：沒有 CUDA graph 時，它在短提示上比基準更慢，在 1K token 時最多差 12%，因為啟動額外開銷超過省下的工作。準確度在 GSM8K 與 GPQA 上檢查，未報告有意義的差異，差距在約 1.5 個標準誤之內——這個數字可對照報告本身所稱：有界重放是近似而非精確。專案補充，模型在整份基準測試中都不需要 KV 快取卸載，並預期只有在更高併發、且預填與解碼拆分到不同機器時，卸載才開始划算。這與下方的 kernel 排行榜是不同的量測；後者評分的是模型所撰寫的 kernel。vLLM 的數字關乎的是：一旦某個引擎實作了該模型的架構，服務這個模型的成本是多少，而這裡的引擎正是提出報告者。專案在 10 月 17 日、也就是 DeepSeek 更換檢查點當天再次發文，而它打頭陣的數字是另一種數據：在 SemiAnalysis AgentX 上，每美元總擁有成本可處理 13 億個 token；每 GPU 每秒 830,000 個 token，計入快取、輸入與輸出 token，同時讓每位使用者維持每秒 100 個輸出 token。這是服務成本的結果，而非速度差異，下方的服務成本章節會完整解讀。關於這件事，有三點與本段相關：這是 10 月 7 日結算後三週的同一個專案、同一個模型與同一個基準測試；專案將那份結算定位為第一章，達到首日代理式吞吐量的 5 倍，下一章尚未到來，而自那之後其部落格未再出現第二篇 DeepSeek 文章；而成本曲線仍屬於執行環境這一方的帳，並非對模型的外部評斷。這個區別也正是為什麼這個數字對永遠不會自己跑節點的人很重要。這些工作都不是呼叫端要做的工作：在低併發下快 1.9 倍的服務堆疊，會讓它處理的請求更快，而多數團隊不必擁有硬體，就能透過 API 存取這個模型來受益。DeepSeek V4.1 Flash 已在 OrcaRouter 上以 DeepSeek 自家價格、0% 加成提供，使用與同系列其他模型相同的 OpenAI 相容金鑰，背後並有一個經過驗證的模型作為自動容錯移轉——模型與定價隨供應商的步調變動，而引擎的選擇仍留在供應商這一側。

服務成本：第一批獨立硬體數據

以上全部都在衡量模型。10 月 14 日，Artificial Analysis 將 DeepSeek V4.1 Flash 加入 AA-AgentPerf；這個基準測試是拿來對加速器系統運行，而不是對模型運行，而結果首次公開回答了價目表無法解答的問題：1 MW 的資料中心電力能承載這款模型多少吞吐量。AA-AgentPerf 會對照實際運作的服務堆疊，重播已錄製的程式設計代理工作階段——多輪推理、工具呼叫、成長到超過 100K token 的上下文，包含提示快取命中——並找出系統在每個代理仍能達到個別代理速度目標的情況下，所能容納的最大並行代理數量。對這款模型而言，最受矚目的是 NVIDIA 的機櫃級產品。在每位使用者每秒 100 個輸出 token 的條件下，GB300 NVL72 以每 MW 每秒約 2.61 億個 token 領先群雄，高於 B300 的約 2.2 億、B200 的 1.93 億、GB200 的 1.78 億，以及 AMD MI355X 的 1.28 億。這些是 Artificial Analysis 的數據，取自其今日的資料中心推論頁面，而且是它對特定硬體與服務配置所做的量測，而非廠商提供的數據。有兩個細節值得留意。每 MW 的數字是根據執行期間測得的加速器功耗——GPU 晶粒加上 HBM——計算而來，而非根據額定 TDP。而且圖表上的每個點都標明了其背後的引擎、版本與數值格式，因此這個數字是關於服務堆疊的主張，而不只是關於權重。

這張圖表之所以與其他模型不同，原因在於它的規模。DeepSeek V4.1 Flash 最少只需兩顆加速器就能容納，因此機櫃級系統在此獲得的優勢，會比在較大模型上少：Artificial Analysis 報告指出，B300 在整條曲線上與 GB300 NVL72 的差距維持在約 20% 以內，並在兩端都領先它——當允許降低每位使用者速度時，每兆瓦輸送量最高；當不允許時，則是單一代理最快。批次大小為一時，每個 Blackwell 元件與 MI355X 在單一使用者下約落在每秒 600 至 670 個 token，而 H100 與 H200 則為 372 至 392。在同一座標軸上與 DeepSeek V4 Pro 0813 相比，較小模型在 100 tok/s 基準點上，於 GB300 提供約 1.3 倍的每兆瓦輸送量，於 B200 則約 6.2 倍——這正是架構章節從 KV 快取面向提出的效率主張，如今由一個實際測量系統、而非只依據規格的第三方所印證。這些數字背後的配置，顯示該設計的核心巧思已在生產環境中實現，而不只是紙上談兵：在 B300 與 MI355X 的雙加速器執行配置中，196B Engram 表是透過 vLLM 的 CPU 卸載路徑、從頁鎖定的主機記憶體供應，而不是常駐在加速器上——這正是發行說明所描述的機制，如今已可在某項已發表測量背後的設定中看到。第二個成本數字以另一種貨幣呈現，來自 10 月 7 日 vLLM 貼文所依據的基準測試。10 月 17 日，vLLM 專案發布一張圖表，顯示 DeepSeek V4.1 Flash 在 SemiAnalysis AgentX 上，每 1 美元總擁有成本可產生 13 億個 token，並針對 Dynamo 下的 GB300 NVL72、GB200 NVL72、B200、H100 與 MI300X 分別繪製曲線。其背後的成本級別標示為「以大型超大規模業者規模自持」，而底下採用的晶片小時假設，從 MI300X 的 $0.95、H100 的 $1.17，到 B200 的 $1.73 與 GB300 的 $2.31，資料取自 SemiAnalysis 自家 2026 年 7 月的定價調查。這項數據附帶兩項限制。首先，這是 vLLM 專案在轉述 SemiAnalysis 的成本模型，且雙方都尚未使其經過獨立複現。其次，圖表日期為 10 月 16 日，也就是 DeepSeek 更換該模型名稱背後權重的前一天，因此它描述的仍是 9 月的檢查點。這使得本文對同一個模型給出三種計價「貨幣」：每位使用者每秒 token 數、每兆瓦每秒 token 數，以及每美元 token 數。最後一種是沒有資料中心的買家能夠據以行動的指標，因為供應商的成本改善，最終就是以這個數量傳到他們手上。它仍然是服務效能的測量，而不是品質的測量：這裡沒有任何內容說明模型有多好，而單一排行榜的硬體結果，也不是對上述任何基準測試項目的複現。它確實確立的是：這個模型價目表的成本面，如今已有外部證據作為支撐。一個供應商能以數倍每兆瓦輸送量來服務的模型，就是供應商負擔得起維持低價的模型；而 DeepSeek V4.1 Flash 在 OrcaRouter 上以 DeepSeek 自家牌價、0% 加成提供，這正是把供應商的成本改善傳遞出去、而非留在自己手上的形式。

引擎在兩家廠商晶片上的成本

直到本週，關於這個模型的吞吐量問題，都只能靠其他人的測量來回答——某個執行環境為自身工作做核算、某個基準測試網站測量一套系統、開發者在 beta 版中計算 token。DeepSeek 本週以 Apache-2.0 授權開源了 DeepInfer，並表示這個框架為該模型的生產服務提供動力——儲存庫於 10 月 16 日出現，首個提交於 10 月 20 日落地——同時隨之發布了一張解碼 Pareto 圖，該圖是針對 1017 檢查點在單一 scale-up 域內的 64 顆 SM100 加速器上測量所得。圖上印出的配置才是關鍵，因為下方的比較正是取決於這個配置：專家平行度 64 搭配資料平行度 64、圖上印出的「384+64 experts」、131,072 個 token 的上下文、DSpark 草稿長度固定為三個 token，以及每個 token 的接受率為 75%。這條曲線在互動性最低的一端，峰值略低於每顆加速器每秒 30,000 個輸出 token；隨著每位使用者的速度升過每秒 100 個 token，會落到 20,000 多的區間；到圖表右緣時則降至數千。這是 DeepSeek 在自己的模型上測量自己的引擎，因此不是獨立數字——但這是打造該架構的實驗室首次發布此架構的解碼曲線，而產生該曲線的掃描腳本就在同一個儲存庫中。

隨程式碼一同發布的說明文件提供了運作點，而這正是下文數字以每秒 230 個輸出 token、而非某個抽象最大值來引述的原因。DeepSeek 自家的生產數據顯示，解碼速度為每部加速器每秒 14K 個 token，而服務維持每位使用者每秒 230 個輸出 token——程式設計工作負載中為 300 個——同時輸入快取命中率達 96%、平均輸入為 77K 個 token、首個 token 時間平均為 400 毫秒且 p99 為 1 秒，且 prefill 的資源配置與解碼接近 1:1 比例，這一切都在其表示每日可服務 155 兆個 token 的單一叢集上達成。這些數字旁的營收項目——離峰定價下每加速器小時 38 美元——是 DeepSeek 首次公開為服務此模型所附加的成本數字。這些內容全都未經審計，全都是供應商在描述自家服務，而它仍是現存關於此架構運行成本最具體的描述。

比較的另一半來自華為的晶片，而這也是來源較弱的一半。一份日期為9月30日、標題為「Ascend 950DT DeepSeek-V4.1-Flash 基準測試」的基準測試表指出，該模型以FP8–FP4混合精度部署於32顆晶片上，採用資料平行注意力與專家平行混合專家架構，在128K token序列上運行，並使用DSpark推測解碼，搭配強制的專家平行負載平衡器配置，平均接受長度為4.1個token。該表包含三個資料點。其延遲欄位是每個輸出token的時間，因此每一項的倒數就是該列的每位使用者速度，而這正是能讓該表與曲線對照的原因：

• 全域批次 1,536，每個輸出 token 耗時 9.41 毫秒——每位使用者每秒約 106 個輸出 token——每顆晶片每秒 5,102 個 token。

• 全域批次 384，每個輸出 token 4.40 毫秒——每位使用者每秒約 227 個輸出 token——每顆晶片每秒 2,727 個 token。

• 全域批次 2,560，每個輸出 token 13.79 毫秒——每位使用者每秒約 73 個輸出 token——每顆晶片每秒 5,800 個 token，是表中最高數字，也是其標題所採用的數字。

對照 NVIDIA 曲線來看，中間那兩列才是真正棘手的部分，因為它們正好落在服務實際運作的速度上。揭露這張表的討論串把這項比較解讀為：每加速器每秒 25,500 個 token，對比每位使用者每秒輸出 100 個 token 時的 5,102；以及 20,000 對比 230 時的 2,727——第一個運作點相差五倍，第二個相差 7.4 倍。直接判讀同一條公開曲線，會讓那些 NVIDIA 數字有所變動：對圖像做逐像素判讀，在 100-token 標記處會落在接近 28,000，在 230 處則接近 17,000，分別位於討論串數字的兩側；他們給出的倍數區間在第一個運作點約為 5.5 倍，在第二個約為 6 倍，這縮小了討論串的範圍，卻沒有改變其形狀。從圖表讀出的基準測試，價值不過如此，而這並不會改變結果的方向。另外也值得注意的是，表上 5,800 的頭條數字是互動性最低的一列——也就是 NVIDIA 曲線最接近自身峰值、比率回落至約五倍的那一點。

我在 DeepSeek 或華為自家的頁面上找不到那張表；它是作為附在 X 上一串討論串的圖片傳到這篇文章的，而三個 Ascend 數字應被視為未公開的廠商基準測試，直到有人公布其背後的執行結果。可查證的是配置上的不對稱，而這點來自 DeepSeek 自家的文件。DeepInfer 的部署說明建議 prefill 採用 2 到 8 的專家平行度，decode 採用 64 到 128，並「prefill 用一般的 8-GPU 機器，decode 用一般的 64–128-GPU 超級節點」。在 NVIDIA 上，那是一個單一的 NVLink 網域，而上圖就是在這樣的網域內測得的。在 Ascend 上，DeepSeek 自家的通訊函式庫明白指出哪些還沒完成：「較大的 EP 規模與 combine 仍在最佳化中」，其中 combine 會帶來額外的本地歸約開銷，並與 URMA 路徑爭奪 HBM，而華為的韌體工作也仍待進行——這項警語自 9 月 29 日 DeepEP-Ascend 首次發布以來就公開存在。這才是解讀差距的公平方式：NVIDIA 的數字來自 DeepInfer 所調校的形態，而 Ascend 的數字則來自一套其作者自己都說 wide-EP 路徑仍在開發中的堆疊。五到七倍之中，有一部分是晶片，有一部分是互連及其底下的軟體，而沒有人把這兩者分離開來。

這個差距在金錢上值多少，取決於沒有人公開過的價格，而該討論串還是照樣把算術算下去：以每顆 Blackwell 加速器約 139,000 美元（從灰市機櫃價格外推）對上傳聞中 950DT 的 37,000 美元，NVIDIA 光是購置成本要與 Ascend 匹敵，每顆晶片就得提供約 3.8 倍的吞吐量；該討論串把交叉點放在每顆晶片每秒約 6,800 個 token 附近。已公布的 Ascend 數據點低於那條線；該討論串預測 wide-EP 路徑會把它們提升到 8,000–10,000，則高於那條線，而那是預測而非實測。每一項輸入都不牢靠——一個灰市價格、一個傳聞價格，以及從曲線讀出的數字——而且這些都沒有把網路、電力、冷卻、維護，或是有能力買到硬體這件事本身的價值算進去。

對於永遠不會實際架設節點的人來說，有用的部分並不是計分板。重點在於，DeepSeek 產品線中最便宜的模型，如今已有文件記載其能在兩家廠商的晶片上以低成本提供服務，廠商自家的引擎已公開，背後的數字也可供下載——這正是價格得以立足的那類證據。它不會改變任何價目表：DeepSeek V4.1 Flash 在 OrcaRouter 上依供應商自訂的牌價提供，離峰時段每 1M 輸入 token 為 $0.15、每 1M 輸出 token 為 $0.60，以 0% 加價轉售，因此當供應商的服務成本下降時，節省會以一個不必變動的價格呈現，而不是變成轉售利潤。一個在兩家廠商硬體上被論證過的服務成本，其下方可容納的降價空間，比一個從未被任何人測量過的成本來得更大。

Kernel 工程：第一個不是 DeepSeek 的排行榜

上方那些基準測試列是 DeepSeek 自家測試框架的數字，而目前存在的外部評分，衡量的是通用推理與網路漏洞利用能力，而非低階程式設計。針對該模型核心工程（kernel engineering）的首個第三方觀察也已出現，而且是以 DeepSeek 並未委託的形式到來：一個由社群運作的代理式基準測試，要求模型撰寫真正的 CUDA 核心，並將結果對照 roofline——硬體的理論上限——來評分。排行榜是 kernelbench.com，在 RTX PRO 6000 上運行，且獨立於兩家廠商。其審核方法論是由社群回報，而非經同儕審查，因此請將其百分比視為具方向性的第三方訊號，而非經認證的測量結果；這也是本報導中第一個讓 DeepSeek 的數字與直接競爭對手並列的分數榜。

最受矚目的那一列，正是這套架構所圍繞打造的核心。DeepSeek V4.1 Flash 自家的稀疏注意力——也就是產生每個詞元 890 位元組快取的 CSA2 堆疊——是由該模型自己以 CUDA 核心寫成，並達到稠密等效 roofline 的 50.19%，在榜上名列第四，排在 106.27% 的 Claude Fable 5.1、103.67% 的 Claude Opus 5 與 72.66% 的 Claude Fable 5 之後。首先值得注意的是，開發者自家的架構正是它最擅長的核心：一個以稀疏注意力設計訓練出來的模型，在撰寫稀疏注意力核心時，效率勝過榜上排名前三之外的其他所有項目。第二點是爆料者所標出的那項比較。GLM-5.3 Flash 對同一核心的嘗試只達到 roofline 的 4.45%——在同一張榜的同一列上，比 V4.1 Flash 低了一個數量級。這個差距，而非 DeepSeek 所發表的任何基準測試，才是「核心工程的大幅躍進」所指的意思。

這項比較並不只停在稀疏注意力那一列，而更完整的全貌之所以重要，是因為推文的標題點名的是 GLM-5.3 Flash，但它所引用的那篇被引述文章中，在自己那列 fused-MoE 上實際提到的卻是另一個更大型的 GLM-5.2——這個命名不一致值得審慎看待。在兩個 flash 級模型都實際完成執行的列上，V4.1 Flash 全數勝出：Kimi-Linear Decode 為 17.10× 對 13.64×，MegaQwen Decode 為 roofline 的 5.39% 對 3.92%，TopK Bitonic 為 4.25% 對 GLM-5.3 Flash 的 7.17%，Sonic MoE 為 10.81%（該核心在整個排行榜上所有模型中的最佳分數）對 10.21%，以及 KDA CUTLASS 為 3.74% 對 2.26%。另外還有兩個核心，GLM-5.3 Flash 完全沒有完成執行——fused MoE 以及 Grid + MinGRU 模擬核心，而在 Grid + MinGRU 模擬核心上，V4.1 Flash 達到 roofline 的 28.56%。（GLM-5.3 Flash 唯一勝過 V4.1 Flash 的一列是 TopK Bitonic，以 7.17% 對 4.25%，而這也是兩個模型都未能逼近排行榜領先者的一列。）大致輪廓與標題所述相同：在低階 GPU 工作上，V4.1 Flash 不僅領先較小的 Z.ai 模型——它完全處於不同等級，而且在兩個最困難的核心上，較小的模型根本無法完成。

這個排行榜沒有做的是告訴你，那道差距中有多少來自模型本身，又有多少來自它被要求去撰寫的架構。DeepSeek V4.1 Flash 是一個 552B 參數的模型，其自身的注意力機制是稀疏注意力設計；GLM-5.3 Flash 則是較小的模型，其訓練從未圍繞著同一套 CSA2 堆疊打轉。一個被要求為某種與自身訓練分布相似的架構撰寫 kernel 的模型，具有內建優勢，因此對這份排行榜最公允的解讀是方向性的，而非一對一的勝負判定：kernel 工程如今已是這個模型經過測量的能力，它確實很強，而爆料者所做的具體比較在共同列上成立。這份排行榜也回答了規格表無法回答的問題：890 位元組的快取在實務上是否可實現。一個能將自身的稀疏注意力 kernel 寫到 roofline 一半的模型，其核心設計至少可由同一類必須負責部署它的工程師在真實硬體上實現。

誠實地說，這件事落在這篇文章其他所有內容旁邊的位置：又多了一項並非由 DeepSeek 產出的第三方量測，這次是針對一項沒有任何廠商基準測試列涵蓋的能力——GPU 核心（kernel）撰寫。這是單一 GPU 世代上的單一社群看板，只執行過一次，而且其稽核檢查未經同儕審查，因此它是關於方向的證據，而非經認證的分數。但這是第一個外部數字，顯示新架構的用途所在：一個便宜的 Flash 等級模型，在被要求做 DeepSeek 自己投入工程資源從事的低階系統工作時，達到硬體所允許的大約一半，而其直接的 flash 等級競爭對手則不到二十分之一。

快速修正，緩慢確認：首批實測報告

吞吐量是速度敘事中 token 計數器看不見的那一半。自發布以來累積的實測報告衡量了另一半——模型在走向答案的過程中如何表現，以及這種行為的代價——而他們對於所發現的是否算是一項特性並不一致。三份獨立記述描述了相同的模式。它們都不是受控評估；以下數字是個別實務工作者執行自身任務的結果，應解讀為使用報告，而非測量數據。

對這種行為最清楚的描述來自 MindStudio，它讓 DeepSeek V4.1 Flash 從零開始建構一個互動式 3D 檢視器。用審查者的話來說，它的推理軌跡「顯示它在驗證自己的數學，而不只是吐出程式碼」。該模型在建構過程中抓到一個軌道控制阻尼的錯誤，從第一原理推導出修正方式，然後「在宣告任務完成前，於無頭瀏覽器中重新檢查修正結果」。在第二項任務——一個以 Docker 為基礎的儀表板——中，它發現單一個被翻轉的比較運算子，並在數字更新時輪詢即時端點八次，以確認修復。這就是 beta 測試者在稱該模型為「想太多」時所描述的情況，而其中任何單一步驟都沒有錯：錯誤被找到、修正並驗證了。這也恰恰是抱怨所在。那個錯誤早已被處理，另一個 DeepSeek 工作階段已在一分鐘內確認修正，但該模型仍繼續檢查。MindStudio 將這個習慣視為優點，並如此表示；它在該測試中唯一的批評是一個物理問題：第一次嘗試時它陷入迴圈，直到被手動停止，然後在重試時正確解出。

從另一個方向得到的解讀，談的是時鐘。一份關於 V4.1 Flash 測試的社群彙編描述了一道物理題——一個以斜角切開的水杯——模型花了十二分鐘、大約 130,000 個 token，才走向正確答案，並在收斂前執行了三輪它並未被要求的自我驗證。同一份文章也記錄了這種習慣走到極端時的失敗模式：思維鏈偶爾會陷入「讓我寫」的重複迴圈，以每秒約 200 個 token 的速度空轉而毫無進展，而它的建議是客戶端而非模型端——設定 max_tokens 上限與請求逾時，讓它們截斷這個迴圈。文中也記錄了同一類問題被一次將推理強度調低至 low 的執行在十八秒內解決，這提醒人們：這其中大多是一個可調的旋鈕，而不是缺陷。

最有力的證據，說明驗證量不等於正確性，來自 Tencent Cloud Labs 的一項審查；該審查在論文重現中，將 DeepSeek V4.1 Flash 配為實作者，並將 GPT-6 Astra 配為審查者。三輪進行下來，Astra 從未推翻核心演算法。審查者一輪又一輪不斷修正的，是 V4.1 Flash 為自己搭建的鷹架——其實驗設置、其統計建構，以及它從自身結果中得出的解讀。測試數量從 82 增加到 97，再到 110，而它們每次全都通過。相較於暴力法基線，模型所選的配置在論文自身參數下於 8.89% 的情況中匹配最佳值，在隨機化置信度下為 11.04%，在隨機化配置下為 10.30%。Astra 最尖銳的發現，是關於一項聲稱要檢查整數邊界的測試：它執行了 153 次擴展檢查，以及零次整數邊界分支。一個模型可以通過自己寫的測試套件，卻仍然沒有回答問題，而該審查是這個落差的一個具體案例，而不是在斷言落差存在。範圍很窄，而且作者也如此表示——單一推測長度選擇器、模擬置信度值、沒有端到端執行——但其形態正是其他報告所描述的那種。

與 Artificial Analysis 的數字並列來看，這就不再像是一則軼事。該模型的第一份獨立評估，同時測得它既非常快又極為冗長：每秒 185 個輸出 token，且在其評估資料集上產生了 2.5 億個輸出 token，而可比模型的中位數為 1.4 億個。綜合評分無法說明多出來的輸出流向何處，實際操作報告則可以。這些 token 不是填充物——它們是模型在檢查。同樣的輸出量也從一個毫不相關的方向浮現：一份關於第三方終端機用戶端的錯誤報告指出，deepseek-flash 路由上的推理內容被附加到可見答案，而不是被分離到思考區塊中，因而產生單一文字區塊，其中包含高達 73,003 個字元的內部獨白，且沒有擷取任何內容供後續回合重播。那個錯誤屬於該用戶端，而不是 DeepSeek，也不是關於品質的證據——但它公允地說明了，當測試框架未能將這些思考內容分離時，這個模型會輸出多少思考。

這一切都不會推翻上文的價格算術；它只是解釋了這件事。一個會自我驗證的模型，在代理式工作中值得花那些 token，因為錯誤修正的代價高於用來證明它正確所耗的 token；但它不適合長時間循環進行瑣碎編輯，因為在這種情境下，確認本身就佔了整趟執行的大部分。有兩件事讓這個差異變得可控。推理強度旋鈕是從 1 到 100 的連續整數，而不是三個固定等級，因此同一個模型可以在便宜的工作上調低、在困難的工作上調高——上文那個十八秒的結果正是這麼做到的。而便宜的安全網應該放在用戶端：max_tokens 上限與請求逾時，能把重複迴圈從一張帳單變成一段被截斷的回應。這兩者都屬於在生產路徑指向這個模型之前就該先設定好的設定，而且都不是模型會自己去做的事。

拒答：檢查點拒絕，而這種拒絕是可量測的

10 月 20 日，讓 DeepSeek-V4.1-Flash-1017 受到關注的不是一列基準測試成績，而是一次拒絕。本文先前已引用過的 DeepSeek 追蹤器張貼了一張代理工作階段截圖，該工作階段在套用 dsh-purge 的情況下執行 1017 檢查點，並回報模型依然拒絕：用發文者的話來說，該次執行「拒絕了該人設」，模型推理認為該請求是「一次提示注入嘗試」，且它「不應採用該人設」。該貼文的解讀是，該檢查點「*並非*完全對越獄毫無防備」，且 DeepSeek「開始思考安全性」。dsh-purge 不是貼進使用者訊息裡的提示花招。它是一個公開的 DeepSeek Harness 外掛——在 GitHub 上有 9,897 顆星，截至 10 月 20 日版本為 1.1.71——旨在剝除 harness 自身的提示改寫與注入後綴，而其英文 README 正好點出這項測試所依據的區分：harness「會在執行階段改寫提示、核准閘門、沙箱策略與工作階段移轉」，因此只問「模型會不會回答」，會把主機層的阻擋當成模型拒絕，而這個外掛的存在，就是為了在你自己的安裝環境中拆分這兩層。在這次工作階段中，區分結果落在模型這一側。同一張截圖裡的計數器——156 步、3,370 萬個 token、每秒 232 個 token——描述的是完整的代理執行，而非一次性提示，而代理自己的摘要說，該外掛在機制上運作正常，且「那個特定模型拒絕了它。」

那只是一個人對單次工作階段的一張截圖，就應該被當作這樣來看待。提示詞並沒有顯示出來，那個判斷是代理人（agent）自己的摘要，而不是經過評分的回應；而且這個帳號是關注 DeepSeek 的觀察者，而非評測實驗室，所以貼文裡的任何內容都無法單從貼文本身重現。它之所以值得認真看待，是因為它的兩個部分都能對照獨立於發文者之外的來源來查核：一個是外掛程式，它是公開的，並且自行說明了其運作機制；另一個是檢查點（checkpoint）的拒答行為，而現在已有其他人對它做了計數。

這個數字就在某個衍生模型的文件裡。以 1017 權重為基礎、由社群製作的 abliterated 建置版，於 10 月 17 日發布在 Hugging Face 上，附有讓這個建置版有其必要的量測結果。在 100 個留出的有害請求上，每個請求都以貪婪解碼生成 384 個 token，未經改動的檢查點在 chat 模式下拒絕了 97 個，在 think 模式下拒絕了 98 個；在從 40 個主要層中投影掉一個 rank-2 拒答子空間後，同樣這 100 個提示分別只引發 4 次與 9 次拒絕。這些是關於 DeepSeek 權重的第三方數字，是在無法存取 DeepSeek 訓練流程的情況下產生的，而且它們也只基於一組提示、一位評分者，以及模型的一種量化版本——是 Q8_0 轉換版，而非 DeepSeek 出貨的 FP8——所以誠實的解讀是「幾乎總是」，而不是「97.0%」。根據這些證據，原發文者的描述成立：該檢查點在其兩種模式下都會可靠地拒絕。

這個數字並不支持「這是一種新立場」的想法。九月的檢查點就已經是如此。一個未審查的九月版本背後的團隊，在 HarmBench 完整的 320 條提示集上測量了未經改動的模型，並報告在關閉推理時攻擊成功率為 42.8%，在最大努力下為 1.6%——也就是說，這個版本所取代的模型一旦被允許思考，就拒絕了該類請求中大約 98%。這兩項測量來自不同的提示集、不同的評分者和不同的量化方式，因此不能相減；它們一致的是型態。高努力拒絕已經是九月模型的行為，而 1017 檢查點也落在同一範圍內。更狹義的主張才是十月 20 日會話實際測試的內容，也是值得保留的那一個：拒絕在一款專門用來移除 harness 側約束的插件下仍然存在，而且它是作為模型對提示的判斷而存在，而不是作為宿主層的封鎖。

供應商並未針對這些內容提供任何文件說明。DeepSeek 九月的模型卡有評估章節，但內容僅有基準測試——沒有拒答率、沒有紅隊測試結果、沒有安全評估——而 1017 的模型卡則完全沒有評估章節，已隨技術報告一併移除該資料夾。因此，這個模型的拒答行為完全是由圍繞它建構的人所描述：衍生作品的作者計算提示次數，以及一名追蹤者閱讀逐字稿。對任何把代理指向該檢查點的人而言，這就是實際運作上的缺口。代理迴圈中的拒答並不是內容政策的註腳；它是執行中途失敗的工具呼叫，而且會像任何其他單次呼叫失敗一樣浮現——這就是為什麼它的緩解方式與逾時相同。在 OrcaRouter 上，這是路由決策而非程式碼變更：1017 檢查點與它會回退到的 DeepSeek 模型都位於同一個端點之後，因此遭拒而回的呼叫可以改用第二個模型重試，而不必結束整次執行。拒答本身屬於模型，路由層的任何機制都無法改變它。

衍生版本數量是最後一塊獨立拼圖，而且它指向同一個方向。10 月 20 日在 Hugging Face 搜尋該檢查點的名稱，傳回 121 個公開儲存庫，其中 25 個名稱含有 uncensored、abliterated 或 derisked——這些建置版本的全部目的，就是移除 10 月 20 日那次工作階段所遭遇的行為，而其中第一個就在權重上線的同一天發布。這不是模型好不好的證據，也不是推薦；這證明權重中確實有一個可運作的拒絕機制可供移除，因為那些剝除這類東西的人，在沒東西可剝時根本不會費這個工。它也為任何自行託管的人設定了預期：你下載的檢查點就是會拒絕的那一個，而那份清單上的每個 uncensored 變體都是不同的模型，不是一個設定。

V4 Pro 的問題，以及 Flash 之上的層級

在 Beta 期間，DeepSeek 的回饋表單詢問測試人員，過渡版本「是否能完全取代線上版 DeepSeek V4 Pro」。向使用者提出這個問題相當引人注目，因為它暗示旗艦版的未來仍未定案。9 月 9 日與 10 日陸續出現的答覆，則是營運層面的決定：自北京時間 9 月 14 日 12:00 起，deepseek-v4-pro 將停止提供服務，其流量將以 Flash 的價格轉由 V4.1 Flash 承接，並指名 V4.1 Pro 為最終接替者。開發者提出反對，而反對的理由並非替代方案不好，而是模型字串是一份契約；替換正式環境 ID 背後的權重，會破壞依舊模型建構、經提示詞調校的管線與代理迴圈。不到兩天，DeepSeek 便撤回這項計畫。其自家變更日誌現在寫道，該公司「決定在 2026 年 9 月 14 日之後繼續提供 DeepSeek V4 Pro 的 API 服務，計費方式維持不變」，並表示若情況有變，將另行通知。這次政策逆轉是廠商自述，而非媒體報導，且可在 Models & Pricing 頁面查證；該頁面仍將 deepseek-v4-pro 與 deepseek-flash 並列。

路由表無法解釋的是原因。9 月 9 日，teortaxesTex——其中一個示警該測試版的爆料帳號——報導稱，DeepSeek 已承認其 V4-Pro 預訓練出了差錯；用他的話說，該公司在這件事上「dun goofed」（搞砸了）。這仍是來自一個偏向內部人士的帳號的單一消息來源說法，而 DeepSeek 並未公開承認任何事：更新日誌將逐步淘汰描述為新模型更優秀的結果，而非舊模型壞掉了。外界可查證的是 8 月 13 日 V4 Pro 正式全面上線時的樣貌。公告在約一天內被撤下。Hugging Face 儲存庫曾短暫以 Pro 之名搭載 Flash 層級的配置，之後權重才被修正。而對以該名稱提供服務的內容所做獨立評分，僅略高於規模小得多的 DeepSeek V4 Flash，與官方圖表顯示接近旗艦級成績相悖——在當前 artificial-analysis 指數上，兩者僅差一分，36 對 35。獨立報導將原因歸咎於不同因素——推理行為過度擬合 DeepSeek 自家的評估框架、部署與權重混淆，或者如外洩所言，預訓練確實失準。這次改路由並未釐清是哪一種，而 DeepSeek 後來已叫停；留下來的是，一家廠商將其最新模型定價為旗艦模型快取未命中費率的四分之一，並在自己的基準測試中將其排在該旗艦之前，而這通常不是公司在一切按計畫順利進行時會做的事。

Flash、Pro、Ultra：DeepSeek 說了什麼，哪些又只是猜測

DeepSeek 自家文件明確表示，這是某個更大布局的底層。更新日誌稱 DeepSeek V4.1 Flash 是「我們新架構系列中最小的模型」，並表示該架構「旨在實現更高的能力上限、更快的推理、更高的吞吐量，以及擴展至更大的模型」。技術報告以更強烈的措辭呼應同一點：該模型「作為我們持續擴展工作的新起點」，而公司表示「將推動模型架構、預訓練與後訓練的聯合擴展，以進一步探索模型智能的前沿」。這兩句話均出自官方，均於 9 月 10 日發布，且兩者都不是產品發布公告。它們表明 DeepSeek 承諾在此設計上打造更大的模型；但未指名任何一款模型、未給出規模，也未公布時間。

越過那條界線之後，全都是推測。9 月 25 日，追蹤帳號 @teortaxesTex——本文已引用其 9 月 9 日關於 V4 Pro 預訓練貼文的那個帳號——把這個模式解讀成一條完整的三層產品線：「DeepSeek 很明顯不打算就此止步……這聽起來像是他們打算做出一整套陣容：Flash-Pro-Ultra。也許是 522B-2T-8T？」這些規模數字被提出者標明為猜測，而這層模糊限定確實有實際作用：DeepSeek 的變更日誌、模型卡、技術報告、Hugging Face 組織、定價頁面或模型清單中，都沒有提及 Ultra 等級，也沒有任何超過 552B 的型號。這套猜測出的階梯，其算術也比表面上看起來更站不住腳。它最底層的 522B，並不是實際發布的 552B 模型——這個數字要嘛是筆誤，原本想寫的是 DeepSeek 已公布的某個數字，要嘛指向一個沒有人見過的檢查點，而外界無法判斷是哪一種。它最頂層的 8T，是 DeepSeek 於四月開放其儲存庫的 1.6T 旗艦模型的五倍；而在這一年，該公司最新發布的模型被設計成每個 token 啟用 8B 參數，因為它著手解決的瓶頸是推論成本，而非參數量。

同一個消息來源另外放出一個 3 兆參數的 DeepSeek 模型，稱實驗室正在研發，但不確定能否在經濟上提供服務——這是關於另一件事的不同說法，同樣未經證實。兩者不必互相調和，因為兩者都沒有第二個消息來源。可以查核的是方向：一個把最新模型稱為家族中最小、並稱其架構可擴展到更大模型的實驗室，就是計劃推出高於這一層級的實驗室。它會如何稱呼這些層級、規模會有多大，並不在讀者今天能打開的任何文件中。

對任何選擇模型、而不是照著產品藍圖走的人來說，這個區別就是一切。即使這個系列日後真的向上延伸，多數團隊眼前的決定仍是是否要踏上現有的那一階——而讓這個決定保持開放的最便宜方式，就是不要等待。DeepSeek V4.1 Flash 已在 OrcaRouter 上架，採用 DeepSeek 自家的費率、零加成，因此若 Pro 層級的後繼者以不同價格登場，變動會落在費率表上，而不是合約裡。DeepSeek V4 Pro 緊隨其後、使用同一組金鑰，這讓日後出現的第三層級成為一項路由決策，而不是一次遷移。

MIT 授權的權重改變了你能用它做什麼

DeepSeek V4.1 Flash 以 MIT 授權釋出，權重於 9 月 10 日在 Hugging Face 的 deepseek-ai 組織上架，與 API 同一天，而非數週後。儲存庫為 deepseek-ai/DeepSeek-V4.1-Flash：48 個 safetensors 分片，總計約 510 GB，旁邊附有 PDF 格式的技術報告，以及一個 inference 資料夾，內含參考實作和可將檢查點分散到各 tensor-parallel rank 的轉換腳本。該儲存庫是九月的檢查點；自 10 月 17 日起的現行版本是 deepseek-ai/DeepSeek-V4.1-Flash-1017，它採用相同的 MIT 授權、相同的 48 個分片和同樣約 510 GB，但替換了每個分片，並移除了報告、聊天範本和評估資料夾。

值得精確說明那個下載檔究竟是什麼，因為它並不是全精度版本。safetensors 中約有 204B 個參數以 FP8 儲存、557B 個以 INT8 儲存，另有約 2B 個以 BF16 儲存，而設定檔宣告的是 fp8 量化——你拉取的 checkpoint 已經是壓縮過的，這就是 763B 參數模型能放進約 510 GB 的方式。其中最大的單一區塊是 Engram 表：兩張 FP8 表佔了下載檔約 189 GiB，而每個解碼步驟只會從中讀取少數幾列。

對於主幹達 552B 的模型而言，授權條款才是會改變決策的部分。MIT 授權寬鬆，沒有營收門檻，也沒有值得法務審閱的可接受使用附加條款；而其啟用設定——預填時每個 token 為 8B、解碼時為 16B，加上每個 token 890 位元組的快取——正是讓它在超大規模雲端業者之外部署也顯得可行的原因，儘管參數量看起來很大。不過，最後那個數字屬於完整快取堆疊的屬性，而非權重的屬性，因此若自架引擎只實作了量化格式，卻未實作設計的其他部分，其結果會遠高於該數字。

寬鬆授權不等於出口許可，而在十月的六天裡，這項差異看起來可能事關重大。10月16日，中國商務部與科學技術部發布2026年第48號公告，這是禁止或限制出口技術目錄的修訂草案，首次涵蓋 AI 模型權重與原始碼。草案擬新增40項，涵蓋 AI、生物科技與太陽能，其中23項與 AI 相關，公開徵求意見至11月15日。對這類模型而言，草案中的兩項豁免條款發揮了主要作用：已透過開源發布或學術發表進入公有領域的技術不在管制之列；海外使用者透過 API、應用程式、SaaS 及輕量級裝置端存取，不被視為模型技術出口。貿易媒體報導的門檻結合了兩兆參數下限、在效能與安全基準上位居全球前十，以及以核心或重要國家資料進行訓練。一個 552B 模型已跨過第一項；其餘兩項是否會套住它，讀者無法從外部判斷，因為草案未公布定義——這使得對已放在 Hugging Face 上的權重而言，真正關鍵的條款是公有領域豁免，而非規模測試。

10月22日改變的不是文本，而是合規紀錄。YuyuantanTan 報導，DeepSeek 與 MiniMax 已完成登記程序，並完成開源與海外授權。該報導未說明哪些發布算作開源，未點名任何模型、檢查點或日期，也未宣布新權重；該時間窗口內可見的開源發布，是上文涵蓋的 DeepInfer 引擎與 deepseek-recipe 工具包。此說法的版本層級表述更窄也更晚：10月23日，一個長期追蹤 DeepSeek 的 X 帳號發文稱，DeepSeek 與 MiniMax 分別「取得開源 V4.1F-1017 與 M3.1-Flash 的許可」。該歸因屬於發文者，兩家公司均未發布聲明確認，亦無監管機構發布公告點名任一公司的登記。該貼文點名的檢查點自 10 月 17 日起、也就是六天前，就已以 MIT 授權在 Hugging Face 上。無論授予了什麼許可，都未構成下載的前提：儲存庫先出現。

對讀者而言，實際內容比圍繞它的新聞標題更為狹窄，而且分成兩個方向。關於 10 月 17 日檢查點、MIT 授權條款或儲存庫的一切，在 10 月 22 日都沒有改變；上述的下載、分片與雜湊差異完全一如原樣。真正改變的是這個問題的答案：中國實驗室能否在目錄仍處於徵詢意見期間，繼續發布這樣的權重。官媒說法對 DeepSeek 和 MiniMax 給出肯定答案，依據的是一份草案；該草案排除已公開的技術，並將 API 存取留在出口定義之外。限制在於時態。豁免適用於已處於公共領域的技術，這可用來描述 9 月和 10 月的檢查點，卻不會自動描述目錄定稿後才發布的版本——而據稱已於 10 月 16 日生效的臨時登記義務，僅被報導，並未完整公布。任何打算下載 DeepSeek 下一次發布內容的人，都是在依據一條尚不存在的規則做規劃。今天呼叫 V4.1 Flash，或執行 1017 權重的人，依賴的是草案所載、且兩種關於臨時措施的說法都不與之矛盾的除外條款。

服務支援在同一天到位，並界定了實務上的最低門檻。vLLM 發布了在 NVIDIA 與 AMD 硬體上驗證過的 day-0 配方，SGLang 則在同一時段透過其 Miles 訓練堆疊推出 day-0 推論與 RL 支援。兩者都以預覽映像檔而非穩定套件的形式推出——vLLM 容器帶有 9 月 9 日標籤，比模型自身的 GA 早一天。故事的那一面在 9 月 22 日有了進展，當時 vLLM 發布 v0.30.0：這是第一個支援此架構的 vLLM 穩定版本，DeepSeek V4.1 Flash 被列在其新模型支援中，該模型自身的 vLLM 配方現在要求 0.30.0 或更新版本，而發布當天的映像檔標籤則已退役。發布說明是專案對自身工作的陳述，而非經量測的結果，應以此角度閱讀。它們將此版本歸功於能透過 SM100 上的 FlashMLA V4.1 紀錄，把模型的整個 KV 快取保存在 MXFP8，以及為卸載至 CPU 的 Engram 查詢提供非同步預取，再加上 Engram 的資料平行分片——對一個其 Engram 表是下載內容中單一最大區塊的模型而言，這兩項變更最為關鍵。這兩項變更都沒有專案外部的數字，發布說明也未附上任何數字——但專案在 10 月 7 日、發布三週後，公布了模型整體的前後對比：相較於自家的 day-0 建置，低併發時快 1.9×，在 150 TPS 限制下吞吐量為 5.3×，並列出每項最佳化背後的已合併 pull request。這些數字及其限制見於上方的速度章節。不存在的是外部重現——那篇文章中的每個數字都是專案自我量測。這次發布真正確定的是打包形式：來自 315 位貢獻者的 762 次提交，其中 104 位是首次貢獻者，且是以帶標籤的版本而非預覽映像檔推出。vLLM 配方自身的計算仍將最低需求定在約 614 GB VRAM，用於 510 GB 的檢查點加上餘裕——相當於一個八 GPU 的 H200 節點或一個 GB200 NVL4 托盤——並警告 1M token 的上下文在實務上應設上限，而非直接假定可行。較窄的 KV 快取改變的是執行中引擎所需的記憶體量，而非檢查點的大小，因此節點門檻依然成立。SGLang 的說明新增了一項此架構專屬的槓桿：用單一環境旗標把 Engram 表移入主機記憶體，在四顆 GB300 的測試中，於解碼吞吐量與首 token 時間相當的情況下，將 KV 快取容量提高約 36%；其解碼器端的 SWA 有界重放則在八顆 H200 上將 prefill 吞吐量提升 1.56×。有兩項限制隨之而來。儲存庫中的參考實作自稱為可讀性範例，而非生產級服務引擎，且消費級執行環境落後：能讓此模型跑在筆電或 Mac Studio 上的量化路徑在發布時尚未開放。簡而言之，權重確實是開放的，服務堆疊也確實存在——但硬體是以節點而非 GPU 來計算，這正是寬鬆授權不自動代表可本地建置的誠實原因。1017 儲存庫對那個門檻沒有任何改變——檢查點仍是相同的 510 GB、分成相同的 48 個分片，而承載它的執行環境說明仍是為 9 月權重所發布的那些。

開放權重本身無法提供的是品質訊號——但這個缺口如今已部分縮小，並在 10 月 18 日進一步縮小。現在已有四項獨立工具，其中一項執行了兩次：Artificial Analysis 的 Intelligence Index，將 9 月檢查點評為 39 分、1017 檢查點評為 45 分；上文的 Exploit Bench 研究，是一項在七種代理執行框架下運行的網路安全基準；下文的社群核心看板；以及自 10 月 14 日起，Artificial Analysis 針對此模型自家的 AA-AgentPerf 結果，它衡量的是模型所部署的硬體，而非模型有多好。上文的 vLLM 專案 10 月 7 日前後對照，衡量的又是另一回事——模型提供服務的成本，而非模型有多好——而且是執行環境自身的說法。它們都不是 ARC Prize 正在打造的那種推理分數，四項中有三項仍描述 9 月檢查點，而本文中大多數具體列項，模型卡仍是唯一來源——但這個綜合評分已不該留在那份清單上：45 分，以及其下的 33.8 分，都是對照 DeepSeek 今日提供服務的權重所產生的。這不是指控；這是證據的現況，也是本文為何將這兩類數字分開。開放權重確實意味著模型不會侷限於 DeepSeek 的端點，這對任何障礙在於資料駐留而非價格的人來說很重要。

如何在不大押生產環境的情況下採用它？

自上線以來，我們這邊有一件事變了，也讓本節比上週原本會有的內容更簡單：DeepSeek V4.1 Flash 現在已在 OrcaRouter 上線。可透過與同系列其他模型相同的 OpenAI 相容端點，以模型 ID `deepseek/deepseek-v4.1-flash` 呼叫，並採用 DeepSeek 自身的費率——每 100 萬輸入 token 為 $0.15、每 100 萬輸出 token 為 $0.60，離峰費率下每 100 萬快取讀取為 $0.003，平日尖峰時段內則加倍——以 0% 加價直通。最後這點值得說清楚：你被計費的金額是供應商的價格，而非轉售價格，因此供應商降價當天就會在此生效，而不是等到合約重新議定時才反映。DeepSeek V4 Flash 與 DeepSeek V4 Pro 使用同一把金鑰，這讓下方的遷移成為路由變更，而非重新平台化。10 月 17 日的 checkpoint 並未改變上述任何一點：DeepSeek 同時保留了 API 模型名稱與費率表，因此這次更新在我們這邊既不變更 id，也不變更價格，而這正是供應商更新模型、卻未更動上述兩者時，直通模式應有的樣貌。

那也是不該倉促進行遷移的理由。若不是 DeepSeek 在壓力下取消，9 月 14 日的改道本會是供應商在你底下改變某個模型 ID 的含義；而這段插曲是近期最清楚的提醒：模型字串是供應商可以改寫的契約——這也正好是上述產品陣容討論的正確框架，因為三層級系列是一項計畫，而這個計畫已經改變過一次。對於一個迄今唯一的外部評分只有一個綜合指數、一份雜訊偏高的網路安全評測表，以及一個社群核心排行榜——而且完全沒有生產紀錄——的模型，比較安全的做法正是路由器天生擅長的形態：把一部分符合生產型態的流量送往新模型，並在其後保留一個經過驗證的模型作為自動容錯移轉，讓品質退步的代價只是一次重試，而不是一次事故，並讓路由 DSL 決定哪些呼叫值得交給未經證實的模型、哪些應該留在主力模型上。遷移到 V4.1 Flash 大概是正確的目的地。但這不是能在發布當天就進行的遷移。

未解決的問題

• 獨立基準測試——數量已從零增加到四項工具，但沒有一項是依照 ARC Prize 的用意來衡量該模型的推理能力。Artificial Analysis 的 39 分，是在最大推理強度下十項評估的綜合分數；而其 10 月 18 日公布的 45 分，則是同一個綜合分數套用在較新權重上的結果。前述的 Exploit Bench 研究是在固定 token 預算內的網路利用分數，它將 DeepSeek V4.1 Flash 評得低於 GLM-5.3-Flash。kernelbench.com 上的社群 kernel 排行榜是一張 kernel 工程表。Artificial Analysis 於 10 月 14 日公布的 AA-AgentPerf 結果是一張硬體表：每個加速器系統以每兆瓦每秒多少 token 的速率來服務這個模型，與品質無關。沒有人複現 DeepSeek 各項基準測試的個別列，也沒有任何在正式生產強度設定下、或在 100 萬 token 視窗最遠端進行的獨立測量被發表。10 月 17 日的檢查點不再處於未測量狀態：10 月 18 日，Artificial Analysis 在其指數上新增了 1017 這一列，分數為 45，Terminal-Bench 4.0 則為 33.8，而該基準數字比廠商表對同一批權重所宣稱的數字低了八點五分。現在缺少的是對那個數字的第二方意見——一位評估者、一套測試框架、一次執行——以及對替換前那四項測量的任何獨立分數。唯一為了回答推理問題而打造的評估仍在建置中——ARC Prize 在其基準測試框架中有一份 DeepSeek V4.1 Flash 的設定檔，放在一個開放中的 pull request 裡，尚未附上結果——而 ARC-AGI 從未替這個檢查點評分：適配器出現後重新受到關注的 ARC-AGI-2 61.4%，屬於 DeepSeek V4 Flash 0731，也就是 V4.1 Flash 所取代的模型。附在這個模型上的最新數字，是 DeepSWE v1.1 的 77.0，也是本文中來源最薄弱的一列：那是 DeepSeek 自家的圖表，從廠商公告所附的一張圖片讀取而來，而且不存在任何外部在 1017 檢查點上執行 DeepSWE v1.1 的結果——Artificial Analysis 10 月 18 日的結果針對的是同一批權重，但用的是不同的基準測試。兩個公布該基準測試的獨立排行榜，把這個模型的名字放在 71.7% 與 74.2%，這足以讓它與 Opus 5 並列，但不足以證實廠商的數字——而且兩者都沒有說明它們測量的是哪個檢查點。

• 低於節點門檻的自我託管——vLLM 的 day-0 支援在 9 月 22 日隨著 v0.30.0 成為穩定版本，該版本新增 MXFP8 KV 路徑與非同步 Engram 卸載；SGLang 的 day-0 支援仍以預覽映像形式提供。兩者都未移動硬體門檻，該門檻大約落在八 GPU 節點，因為是 510 GB 檢查點決定了它——而 DeepSeek 隨 DeepInfer 發布的自家部署說明把這點說得更明確：一個 prefill 節點搭配一個 decode 節點雖可部署，但建議的 decode 配置是 64 或以上的專家平行度，這使得最小的有效率單位是 64 顆 GPU 的 prefill 搭配 64 顆的 decode。vLLM 專案 10 月 7 日的文章是針對此模型所發布最完整的實測最佳化帳本——相較於它自己的 day-0 版本，在低併發下達 1.9×，在 150 TPS 限制下達 5.3×，並連同上述 SGLang 數據——而其 10 月 17 日的後續文章新增了一條每美元代幣數曲線，確實涵蓋 H100、MI300X 與 B200 配置，並與機架規模部件並列。兩者都是該專案對自家執行時的自家核算。兩者都未移動門檻：在 GB300 或 H100 上更便宜的代幣，仍無法把 510 GB 檢查點塞進桌上型電腦，因此這是通往同一道門檻的更快速路徑，而非更低的門檻。後續版本與社群量化是否會把這帶到更小的機器上，是任何想要權重而非端點的人面前的未解問題，而這也正是決定寬鬆授權是否為實用授權的那個問題。

• V4.1 Pro 是什麼 —— DeepSeek 將其稱為 V4 Pro 的後繼者，但尚未公布日期、規格與價格，而將現有 Pro 流量改導向 Flash 層級模型的公告，也在生效前撤回。至於 Flash 之上是什麼，公司僅描述為架構可擴展至更大模型；Flash、Pro 與 Ultra 的階梯及其 522B、2T、8T 規模，是某位觀察者的推測，並非 DeepSeek 的說法。

• 每任務成本——Artificial Analysis 現在對兩個檢查點都列出每任務數字：九月權重每個 Intelligence Index 任務為 0.49 美元，這是由本文最初刊載的 0.27 美元修正而來；1017 則為 0.26 美元。這是 DeepSeek 的 Pareto 主張中任何一部分首次獲得外部證據，而且範圍比該主張更窄。同一批資料列顯示，1017 檢查點在整個指數上產生 2.1 億輸出 token，九月則為 2.5 億——總體輸出較短——但每任務輸出 token 為 89,495，對比 88,574，完全不算更短；每任務 288.8 秒，對比 289.9 秒，也完全不算更快。該網站自己的成本拆分把節省全放在輸入端：輸出項目持平，每任務 0.106 美元對 0.107 美元，而輸入從 0.379 美元降至 0.155 美元，快取寫入從 0.322 美元降至 0.095 美元。一項任務能否以更少美元完成，取決於它耗用多少 token，而那是工作負載的屬性，不是價目表的屬性。DeepSeek 自己對這次更新的說法則指向另一邊：變更日誌聲稱新檢查點縮短任務執行時間與輸出長度，其 10 月 17 日貼文也重申為「更快的任務完成速度，以及更短的輸出」。兩者都沒有附上數字，而本條目背後的外部量測如今已與之對照：在 DeepSeek 指名的兩項數量上，1017 權重從五週前的起點移動了約百分之一，且方向相反。同一本帳的另一側還有第三個數字：vLLM 專案 10 月 17 日的圖表顯示，該模型在 SemiAnalysis AgentX 上每美元總擁有成本可達 13 億 token，而該成本級別假設的是大型超大規模業者用量。更便宜的 serving 也無法為本條目定論——每 token 成本更低，並不會改變每任務 token 數；那才是呼叫者實際付費所依據的數字，而它仍停留在九月量測所發現的位置。

• 失控的驗證——實測測試人員回報，思維鏈中偶爾會出現重複迴圈，並且對於在較低努力設定下幾秒就能解決的問題，會出現長達十二分鐘、消耗六位數 token 的推敲。沒有獨立基準衡量這兩種情況發生的頻率，或它們在生產環境中的成本，而目前回報的緩解措施是用戶端 token 上限，而非模型自身所做的任何事。上述 Exploit Bench 研究從另一個方向記錄了相同的失效模式：其在 ReAct 逐字稿中顯示的重複報告迴圈，是由測試框架的壓縮提示所產生，而非模型自身的推理，這提醒我們，逐字稿中的迴圈並不自動是模型缺陷。

• 核心工程 — kernelbench.com 的社群 CUDA 核心看板（RTX PRO 6000，以 roofline 縮放）顯示，DeepSeek V4.1 Flash 在其自身的稀疏注意力核心上達到稠密等效 roofline 的 50.19%，總排名第四，而同一列的 GLM-5.3 Flash 為 4.45%。該看板由社群營運，未經同儕審查；尚未發表第二代 GPU 或複現結果。

• 最遠端的長上下文——稀疏注意力是在 64K 訓練，並在 34T token 階段擴展到 1M。品質在完整 1M 視窗接近尾端時能維持得如何，正是獨立長上下文評估能釐清的問題。

• 邊界情況下的快取重建 — SWA Bounded Replay 會以近似而非精確的方式重建被丟棄的滑動視窗狀態，而 DeepSeek 表示，結果可能因快取命中在工作階段中出現的位置而異。報告指出，觀察到的品質影響很小；極端或未經測試的條件，正是這類近似做法會浮現問題的地方，而 DeepSeek 之外沒有人檢視過。

• Pro 工作負載是否真的會轉移——強制改道已經撤回，所以除非團隊選擇轉移，否則什麼都不會動；而那些為了推理深度支付 Pro 價格的團隊，正是最有可能在 Terminal-Bench 3.0 形態的工作上察覺到能力差異的一群，在這類工作上，V4.1 Flash 大幅落後 Opus-5.0。

• 免費方案的條款與行為——OpenCode 於 10 月 15 日為此模型新增了免費項目，提供 200,000 個 token 的上下文視窗與 32,000 個 token 的輸出上限，並在其自家頁面上描述為限時提供。這項安排是否會延續得比這個說法更久、該端點在負載下表現如何，以及 DeepSeek 是否對此有任何話語權，全都未明說：該平臺自身的模型清單、文件與價格表是唯一來源，沒有結束日期可約束任何人，而且沒有人公布過這條免費途徑的測量結果。

• 安全性與拒答——DeepSeek 未公布任一個檢查點的拒答率、紅隊測試結果或安全評估，也沒有獨立實驗室在越獄基準測試上為此模型評分。本文中的數字來自打造未審查衍生模型的人員——在聊天模式下，100 個有害提示中有 97 個被拒答，思考模式下則為 98 個，且僅基於同一組提示與同一名評分者——以及一張單一代理工作階段截圖，圖中模型拒絕了越獄角色。這種行為在低推理強度下、在英語以外的語言中、面對自動化攻擊而非角色提示時，以及在會重寫系統提示的測試框架下是否仍成立，尚無人測量。

• 下一個檢查點的文書作業——10月22日的報告解決了已公開權重的登記問題，因為草案目錄排除了已屬於公共領域的技術。它並沒有解決這次之後的發布問題。該目錄是草案，開放評論至11月15日；其門檻是經報導披露，而非公布於文本中；而據稱已於10月16日生效的臨時登記義務，尚未完整公布。V4.1F-1017 本身已發布，採 MIT 授權且不設存取限制；未來 DeepSeek 檢查點在下載前必須符合什麼規則，是一條目前還不存在的規則。

Beta 測試版曾是個為期兩天的問題：Flash 等級的模型能否扛起 Pro 的職責。正式發布則是 DeepSeek 用費率表與路由計畫來回答——接著在開發者反對在他們不知情下被換掉底層正式環境模型後，兩天內撤回路由計畫。這比公告所暗示的說法來得弱，卻更誠實：支持這次推進的品質證據，是 DeepSeek 自家基準加上大多指向同一方向的外部量測。其中最新的一項，是在七種代理測試框架下運行的資安基準，卻在它所做的唯一一項比較中指向相反方向；而公司把選擇留給客戶，而不是替他們做決定。 自發布以來，權重從一項承諾變成 510 GB 的下載檔，模型從供應商端點變成可路由的目標，服務堆疊也從 day-0 處方變成有實測依據的方案——vLLM 在第三週自稱低併發下快 1.9 倍，接著在檢查點變更當天公布一條成本曲線，該曲線以 SemiAnalysis AgentX 上每美元總擁有成本可處理 13 億個 token 來為模型定價。本週，支撐這一切的底層也公開了：DeepSeek 發布自家服務所運行的引擎 DeepInfer，包含此檢查點的解碼曲線、支撐該曲線的生產數據，以及一份未公開的九月基準；該基準顯示，在 DeepSeek 實際服務的速度下，華為 950DT 每晶片落後 NVIDIA 五到七倍。 五週後，檢查點本身變動了一次：10 月 17 日以相同名稱與相同價格帶來新權重，供應商表格在它公布的每一列都更好，而其中一列底下換了不同的測試框架。兩天後，外部量測出爐，而這是本文最有用的一個數字：Artificial Analysis 在其指數上給 1017 權重 45 分——與 GLM-5.3 並列開放權重模型第二，落後 MiMo-V2.6-Pro 一分——並在 Terminal-Bench 4.0 得 33.8 分，而供應商在同一基準為 42.3 分——因此，在 DeepSeek 自家表格中美化模型的測試框架，並不是那個數字能站得住腳的框架。如果你今天要做選擇，誠實的立場是：V4.1 Flash 看起來是 DeepSeek 產品線中最有價值的選項，名下有四項獨立評測——其中沒有一項是推理分數，有一項現在是針對 DeepSeek 自 10 月 17 日起提供的檢查點運行——第五項評估正在建置中，沒有生產環境實績，服務堆疊最強的兩個數字——速度差值與成本曲線——都來自撰寫該執行環境的專案，還有一項外部資安結果會依你在模型外層套用哪個測試框架而自相矛盾，10 月 15 日某平台上出現的免費 20 萬 token 方案，以及第一輪實測報告，描述此模型自我檢查的程度超出多數呼叫者會要求——這是把一部分流量導向它的理由，不是因為一則公告就整個遷移的理由。 DeepSeek 在 10 月 17 日宣布的更新改變了權重，並新增一項供應商說法——任務完成更快、輸出更短——而對這批權重的首項外部量測充其量只支持其中一半：每項指數任務成本降低 46%，而每項任務時間與每項任務輸出 token 幾乎沒變。一天後，關於該檢查點流傳最廣的說法來自一位高階主管：在 DeepSWE v1.1 上得 77 分、成本低 83 倍，出自一名 Databricks 員工，他也說該檢查點即將登上該平台。其中一半經得起獨立排行榜的檢驗，這些排行榜現在把此模型排在該基準的 Opus 5 之上。另一半則還沒有：77 分是 DeepSeek 自家那一列，尚未被重現；83 倍只是算術，背後沒有公布任何每項任務成本。Databricks 自家文件確認此模型已在其平台上，且其下兩個 DeepSeek 模型預定退場；但並未確認該檢查點即將到來。那個說法現在是關於該檢查點第二有趣的說法，而非最有趣的。 10 月 19 日，一個曾提早命中其中幾次發布的追蹤帳號，自稱「百分之百確定」Terminal-Bench 4.0 的 42.3 分，理由是它勝過 GLM-5.3，並要求 Artificial Analysis 以原生測試框架運行該模型。該網站早就做了。在其自家框架下，同一批權重得 33.8 分——低於 GLM-5.3 的 41.9，而非高於。供應商那一列是真的，而且屬於 DeepSeek；但從中得出的推論，經不起由別人實際運行。

如果你想要的是能保留所有選項的版本，這三者都只需一鍵即可切換，並以 DeepSeek 自家費率計價、加收 0% 溢價。這次發布的是：OrcaRouter 上的 DeepSeek V4.1 Flash — 100 萬 token 上下文、384K 輸出上限、影像輸入，離峰時段每 100 萬輸入 token 0.15 美元、每 100 萬輸出 token 0.60 美元。它所取代的模型：OrcaRouter 上的 DeepSeek V4 Flash。以及 DeepSeek 決定繼續提供的旗艦模型：OrcaRouter 上的 DeepSeek V4 Pro。將一部分流量導向新模型，讓經過驗證的模型作為容錯備援，交由路由來決定。

選擇模型也關乎過去曾出過什麼問題：此類模型有紀錄的 AI 事故與代理程式故障，都收錄在OrcaRouter AI Incident Archive，其中每筆條目都附有各自的來源、嚴重程度、信心評級與爭議標記。