DeepSeek V4.1 Flash 是深度求索于 2026 年 9 月 10 日正式发布的 V4.1 系列首款模型,也是官方对照表中唯一在 Agent 与工具使用类指标上压过同门旗舰 V4 Pro 的版本。本文按「官方跑分全表 → 四个版本逐项对照 → 七列横评名次 → 第三方指数校核 → 四处口径出入」的顺序,把这份版本测评分享给大家。 V4.1 Flash 版本测评是测的什么
先把测评对象说清楚。DeepSeek-V4.1-Flash 并不是某个系列的又一次小版本迭代,而是官方所说的「全新模型结构系列」中的最小尺寸模型,API 侧调用名改为 deepseek-flash。官方给出的三句定位是:能力上限更高、推理速度更快、吞吐更大,并且这套结构本身可以扩展到更大参数模型。
结构上最大的变化是输入与输出不对称。官方写明这是 552B 参数的 MoE 模型,采用全新的 Causal-Encoder-Decoder 结构,输入激活只有 8B,输出激活 16B,官方称这一设计使成本显著低于已知的同尺寸模型。第三方评测机构在模型页上标注的参数量同样是 552B,激活参数一栏只写了 16B——取的是输出侧那个数字,与官方口径并不冲突,但单看第三方那一栏容易以为激活参数只有一个值。
| |
|---|
| |
| |
| 2026 年 9 月 10 日(官网发布公告与 API 更新日志同日) |
| 552B 参数 MoE,全新 Causal-Encoder-Decoder,输入输出不对称 |
| |
| |
| |
| 默认打开,effort 默认 high,可选 low / high / max |
| |
| 保持可用,请求由 V4.1 Flash 提供服务,并按 Flash 价格计费 |
| 官方称全力支持开源社区进行推理适配,第三方机构独立标注为 MIT 许可 |
版本身份定下来之后,读这份测评要先分清三层数据:厂商自测(官方发布公告与更新日志)、独立机构实测(第三方评测榜单)、用户自评(社群体感)。三层里只有前两层可以被逐项复核,本篇只交付前两层;第三层的说法在没有可核验的下游后果时,一律不作为结论依据。
19项官方跑分逐项拆开看
官方在 2026 年 9 月 10 日的更新日志里一次性给出了 V4.1 Flash 的 19 项评测结果,官网发布公告的对照表也是同样 19 行。这 19 项就是本份测评的全部官方原始数据,下面逐项列出,「官方标注」一栏保留原始材料里的记号。
| | |
|---|
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | |
| | 更新日志写作 AutomationBench (Public) |
| | |
| | |
| | |
| | |
两处标注要特别留意。带 (w/tools) 的五项,是允许模型调用工具的版本;HLE 那一行的星号,官方注明表示只在 HLE 评测集的纯文本子集上测试——这正是 36.8 与 39.1 两个数字的来源,39.1 对应纯文本子集。此外,9 月 10 日的发布材料在评测条件上只保留了这一条星号说明,没有重复给出评测框架;官方上一次写明框架是在 7 月 31 日与 8 月 21 日的更新日志里,那两次的脚注写的是:公开基准测试集中的 Code Agent 任务使用 DeepSeek Harness 极简模式作为框架,并使用 max 档位、topp 取 0.95、temperature 取 1.0。
别把这 19 项分数当成日常对话体验的预期。它们是一次分项取值的成绩单:其中 5 项允许调用工具、1 项只统计纯文本子集、多项目前有官方文档写明使用 max 档位测试,而 API 的思考档位默认是 high。同一模型在不同档位与不同框架下的分数差别可以很大,把上限成绩直接当成默认体验,会系统性偏高。
四个版本的同指标逐版对照
只保留 2026 年 7 月 31 日以来 DeepSeek 侧四份材料都出现过的指标,可以得到下表。四个版本按上线时间排列,最后一列是本次测评的 V4.1 Flash。
这张表给出两个不太直观的结论。第一,上线时间更新,分数不一定更高:8 月 21 日的 V4-Flash-Vision-Exp 在四个可比指标上都低于 8 月 13 日的 V4 Pro 正式版,它是实验性质的视觉版本,不是 V4 Pro 的升级替换。第二,真正的跃升发生在 9 月 10 日这一次:Automation-Bench 从前一档的 31.8 升到 54.8,DeepSWE 从 62.7 升到 74.2,都是跨档位的变化。需要说明的是,Automation-Bench 这一项在两份官方材料里有两套数值(详见下文第七节),上表取的是更新日志口径。
与四家前沿模型的横评名次
官网发布公告的对照表一共七列:DeepSeek 三个版本加上 GLM 5.3、Kimi K3、GPT 5.6-Sol、Opus 5.0 四家。19 行里只有 10 行的各家数据基本齐全(其中 9 行七列全满,ProgramBench 一行 V4-Flash 0731 留空),另外 9 行存在大面积留空,所以「19 项全胜或全败」这种读法并不成立。下表只取那 10 行,并给出 V4.1 Flash 在七列中的名次。 | | | |
|---|
| | | |
| | | |
| | 90.6(DeepSeek V4.1 Flash) | |
| | | |
| | | |
| | 74.2(DeepSeek V4.1 Flash) | |
| | | |
| | | |
| | 54.8(DeepSeek V4.1 Flash) | |
| | 31.8(DeepSeek V4.1 Flash) | |
结论相当集中:V4.1 Flash 拿第一的 4 行全部落在 Agent 与工具使用类——Terminal-Bench 2.1、DeepSWE v1.1、Automation-Bench、Agents' Last Exam。反过来,最弱的一项是 HLE,在七列中排最后一名,GPQA Diamond 也只到第 5。这与官方「文本与 Agent 性能全面提升」的表述方向一致,但提升的落点确实偏向 Agent 一侧,通用知识与专家级推理并不是它的强项。
另一个必须一起读的信息是分差的大小。Terminal-Bench 2.1 的 90.6 只比 Opus 5.0 的 89.1 高 1.5 个百分点,DeepSWE v1.1 的 74.2 只比 Opus 5.0 的 74.0 高 0.2 个百分点。一两个百分点的差距属于评测波动范围,这类项目的准确读法是「基本持平」,写成「领先」会高估优势。真正拉开距离的是 Automation-Bench(54.8 对 50.3)和 Agents' Last Exam(31.8 对 28.6)。
第三方指数与官方数值的对齐度
第三方侧取的是 Artificial Analysis 的模型页。该页当前使用的是 Intelligence Index v4.3,页面注明本次更新把 AutomationBench-AA 纳入指数、移除了 τ³-Banking、并把 Terminal-Bench 换到 v4.0 版本;今日读到的是推理模式、max 档位那一条配置。
四组对照里有两组可以互相印证:参数量与激活参数完全一致,HLE 的独立读数与官方的纯文本子集值很接近。另两组是口径差异而非谁写错——智能指数把整套评测压缩成一个 0 至 100 的分数,官方则分项给分,两者不可换算;名次取决于跟谁比,该页把这一版放在「同类」的 113 个模型中排到第 6,换一个比较范围就会得到另一个名次,所以名次数字必须连比较范围一起读。
把同门四个版本放在第三方的同一套指数下看,方向与官方一致:V4.1 Flash 为 39.545 分,V4 Pro 0813 为 36.283 分,V4 Flash 0731 为 34.528 分,V4 Flash Vision 为 35.012 分。也就是说,官方所说的「超越 V4 Pro」,在独立口径下表现为高出约 3.3 分,是一次真实的进步,但不是量级上的拉开。同一榜上排在前面的依次是 Claude Opus 5(max)50.700、GPT 5.6 Sol(max)47.061、GLM-5.3(max)44.856、Kimi K3(max)43.784——第三方口径下它并没有排到国产第一。 速度、成本与输出量的四项读数
官方对速度与成本给出的定性表述是「推理速度更快、吞吐更大、成本更低」,并把「总用时」也列入那句「全面超越」的话里。第三方模型页上对应的是可以直接引用的定量读数,下面四项都可以逐条复核。
| | |
|---|
| | 页面评语称其速度表现突出(原文用 notably fast) |
| | |
| | |
| | |
最后一行最容易被忽略,但它决定了「便宜」这件事的真实成色。同一个模型跑完整套评测要吐出 2.53 亿 tokens,比同门的 V4 Pro 的 1.63 亿多约 55%,也就是说它的低单价会被自己的输出量吃掉一部分。这也解释了为什么「性能排名」与「成本排名」会给出不同的顺序——按单价看它是最便宜的一档,按单任务成本看则要打一次折。查询成本与速度时,务必把「说了多少」和「花了多少」分开看。
反过来,「速度更快、总用时更短」这两句官方表述在第三方口径下是可以被独立印证的:V4.1 Flash 的单任务耗时是 320 秒,而 V4 Pro 0813 是 495 秒,缩短约 35%;按单任务成本算,0.27 美元也只有 V4 Pro 的 0.67 美元的约四成。也就是说,官方所说的「更低成本、更短总用时」,在独立读数上确实成立——它与「分数只高出约 3.3 分」并不矛盾,两者量级本来就不同。
四处官方口径出入怎么读
把 9 月 10 日前后的官方材料逐份对读,会发现四处对不上的地方。这不是「谁写错了」的判断题,而是引用时必须交代来源的实务问题,四处列在下表。
| | | |
|---|
V4.1 Flash 的 Codeforces 分数 | | | 两份都是官方材料、同日发布,相差 450 分;引用时写明出自哪一份,不单独抛一个数字 |
| | | |
| 更新日志写作 AutomationBench (Public):V4-Flash 0731 为 25.1、V4 Pro 0813 为 31.8 | 公告对照表写作 Automation-Bench:对应两格为 37.7 与 43.2 | 两项名称不完全一致、数值相差约 11 分,无法从官方材料判断是否同一评测,引用必须带来源 |
V4 Pro 在 9 月 14 日之后是否继续服务 | 官网发布公告:请求将全部路由到 V4.1 Flash,并按 Flash 单价计费 | API 更新日志与模型价格页:决定继续提供 V4 Pro 的 API 服务,计费方式保持不变 | 以后两份为准(属更新后的口径),引用时写明两版差异与核对日期 |
前三处属于同一份材料内部或同一批材料之间的数值出入,第四处属于政策的公开改口。一个可复用的做法是:凡涉及模型分数或服务政策,都要写清「哪一份材料、哪一天核对的」,读者才能判断这个数字会不会已经过期。第四处也提醒一件事——该模型发布公告里那句「将有序下线 V4 Pro」,与后续两份材料的实际口径已经不同,做选型决策时不能只读发布公告。
这份版本测评的选型结论
把价格与能力合起来看,选型判断才有落点。V4.1 Flash 与 V4 Pro 的最新单价比例如下,高峰时段为北京时间周一至周五 9:00 至 12:00、14:00 至 18:00,其余为空闲时段。
据此可以给出三条判断。第一,做 Agent、代码修复、自动化流程类任务,这一版是目前同门里最值得优先试的:它的优势集中在这类指标上,且单价是 V4 Pro 的三分之一到七分之一,缓存命中价仅 0.02 元。第二,做大规模知识问答或专家级推理,不要把它当第一选择:GPQA Diamond 与 HLE 两项它都落在横评后半段,同价位段里能拿到更高分数的模型是存在的。第三,成本敏感的长上下文任务要先算缓存账:缓存命中与未命中的价差是 50 倍,把稳定的长前缀放在前面、避免反复改动长上下文的中间段落,比换模型更能省下钱。
另外要提醒的是接入渠道。官方写明工作流类的两个合作方——WorkBuddy(含 CodeBuddy)与 OpenCode——已全量接入该版本;官方发布说明本身只提到 API 与开源,没有提到网页端与手机 App。C 端可核到的证据只有应用商店里 DeepSeek 官方 App 在 2026 年 9 月 12 日的 2.5.1 更新说明,原文是「新模型上线,快速、专家、识图模式合并升级」,以及「支持思考过程自动折叠」——更新说明里并没有写这个新模型具体是哪一个版本,这一点需要读者在账号内自行确认。 V4.1 Flash 版本测评常见问题
Q:DeepSeek V4.1 Flash 和 V4 Pro 是同一代的两个档位吗?
A:不是。V4.1 Flash 是全新结构系列的最小尺寸模型,V4 Pro 属于上一代结构的旗舰正式版,两者是两代各自的版本。
Q:官方的 19 项跑分在哪里能看到?
A:在 DeepSeek API 文档的更新日志页与官网发布公告页,两处都是 2026 年 9 月 10 日的内容,官网对照表标注核查日期即可复核。
Q:这版模型的上下文和输出上限是多少?
A:上下文 1M,输出最大 384K,并发上限 2500,可以在官方模型与价格页逐行读到。
Q:它支持图片输入吗?
A:支持,官方写明具备原生多模态视觉理解能力,并且与同门旗舰不同——V4 Pro 在定价页上的图像理解一栏标注为不支持。
Q:跑分里带 w/tools 是什么意思?
A:表示这一项允许模型调用工具后再输出答案,与不带工具的项目不是同一条件下的成绩,两者不能互相比较。
Q:官方说「全面超越 V4 Pro」,这话准确吗?
A:就性能、费用、速度、总用时这四项的整体判断成立,第三方的独立指数也给出同向结论;但官方自己的对照表里 GPQA Diamond 与 HLE 两项仍是 V4 Pro 更高,所以「全面」应按整体而言理解,不是 19 项逐项都赢。
Q:现在还能继续调用 V4 Pro 吗?
A:可以。发布公告曾说过把请求全部路由到 V4.1 Flash,但随后更新的更新日志与模型价格页写明继续提供 V4 Pro 服务、计费方式保持不变,以后两份为准。
Q:旧的模型名还能用吗?
A:可以调用,但对应的旧模型已下线,请求由 V4.1 Flash 提供服务并按 Flash 价格计费,建议直接改用新的模型名。
Q:这一版开源吗,许可证是什么?
A:官方表示会全力支持开源社区进行推理适配;第三方评测机构在模型页上把它标注为 MIT 许可并给出了权重来源链接,可作为交叉参考。
引用这版跑分时的注意事项
跑分是条件性数据,同一个模型换一套框架、换一个思考档位、换一个比较范围,结论都会变。引用前建议逐项过一遍下面这张检查表。
| | |
|---|
| | 9 月 10 日的发布材料只说明 HLE 仅测纯文本子集,未重复给出框架 |
| | 官方与第三方页面对应的都是 max 档,而 API 默认档位是 high |
| | |
| | |
| | Terminal-Bench 2.1 领先 1.5 分,DeepSWE v1.1 领先 0.2 分 |
- 价格与服务政策属于高频变动项:单价以官方模型与价格页实时数据为准,V4 Pro 的下线安排以最新一份官方通知为准。
- 不要跨档位比较分数:low、high、max 三档的输出量与得分并不单调,用某一份材料的档位去反驳另一档位的读数,会得出无效结论。
- 不要用跑分代替实测:榜单衡量的是潜力上限,日常体验还取决于接入方式、上下文管理与任务本身的难度。