DeepSeek V4.1 Flash 1017 实测对比：便宜模型全面超越 Pro？

DeepSeek 的定价策略出现了一个反直觉的局面：更便宜的模型在官方公布的每一项编程与 Agent 基准上都超过了更贵的版本。V4.1 Flash 1017（10 月 17 日发布）对比 V4 Pro 0813，Terminal-Bench 4.0 拿到 42.3 对 12.4，DeepSWE v1.1 拿到 77.0 对 62.7。同时，Pro 每输出 token 的价格仍是 Flash 的 3.3 倍，一次带成本的 Agent 会话算下来大约是 Flash 的四倍账单。

纸面上这似乎已经分出胜负。但如果你手上跑着一条针对 deepseek-v4-pro-0813 调优过的流水线，那些数字是 DeepSeek^广告的，不是你的。真正的工程问题在于：在你自己的工作负载上验证这次切换——通过率、输出长度、单次运行成本，用同一套方法在两个模型上测量。

DeepSeek V4.1 Flash 1017 与 V4 Pro 对比

官方公布的数字

价格：Pro 贵在哪里

根据 DeepSeek 定价页，按每百万 token 美元计价，V4.1 Flash 1017 输入 $0.30、输出 $1.20、缓存命中 $0.006；V4 Pro 0813 输入 $1.32、输出 $3.96、缓存命中 $0.044。两者在非高峰时段均为半价。第三方平台 AIHubMix 的挂牌价略高（Flash 1017 为 $0.3098 / $1.2392，Pro 0813 为 $1.3944 / $4.1832），但比例关系一致。

折算下来，Pro 的输入价格是 Flash 的 4.4 倍，输出 3.3 倍，缓存命中超过 7 倍。此外，在 DeepSeek 自家 API 上，Pro 的并发上限只有 Flash 的五分之一：500 对 2500。这意味着高并发场景下 Flash 的吞吐优势不只是价格问题。

基准：Flash 几乎全面领先

Pro 的数字来自 DeepSeek V4.1 Flash 论文表 3，均在最大 effort 下测得；1017 的数字来自模型卡。需要注意，所有数字都是 DeepSeek 自己的测量，尚无第三方复现。

关键对比如下：Terminal-Bench 4.0 上 Pro 12.4、九月 Flash 31.2、1017 42.3；DeepSWE v1.1 上 Pro 62.7、九月 Flash 74.2、1017 77.0；ProgramBench 上 Pro 15.5、九月 Flash 20.3、1017 29.1；NL2Repo-Bench 上 Pro 61.5、九月 Flash 65.4、1017 68.2；Automation-Bench 上 Pro 43.2、九月 Flash 54.8、1017 60.5；Agents' Last Exam 上 Pro 25.7、九月 Flash 31.8、1017 35.4。

九月版 Flash 就已经在每一项编程和 Agent 指标上超过了 Pro，1017 进一步拉大了差距。在纯文本 HLE 子集上，1017 的 44.0 也超过了 Pro 的 42.7。Pro 唯一可能保留的优势是 GPQA Diamond（92.4 对九月 Flash 的 90.9），但 DeepSeek 没有公布 1017 在该项上的分数。Artificial Analysis 在九月的通用指数上也独立得出了相同结论，称 V4.1 Flash 是 DeepSeek 的「新旗舰」，排在 V4 Pro 0813 之前。

Terminal-Bench 是一个评估 AI 智能体在真实终端环境中执行任务能力的基准，任务涵盖文件操作、进程管理、网络配置等，要求模型自主调用命令行工具完成多步操作，最终以任务完成率计分。DeepSWE 系列基准则聚焦软件工程场景，通常包括在真实代码库中定位缺陷、生成补丁并通过测试套件验证，评分依据是补丁能否让隐藏测试通过。NL2Repo-Bench 衡量从自然语言规格生成可运行代码仓库的能力，Automation-Bench 侧重浏览器与桌面自动化，Agents' Last Exam 是面向长程智能体任务的综合评测集。这些基准的共同特点是：分数越高，说明模型在无人工干预下完成端到端工程任务的可靠性越强，因此比单纯的代码补全指标更贴近 Agent 流水线的真实表现。

一次会话的成本估算

由于没有公开测试给出两个模型的每任务 token 数，这里基于明确假设做一个估算：一个 Agent 修 bug 会话，40 次模型调用，总计 120 万输入 token（90% 缓存命中），6 万输出 token（含思考）。两个模型使用相同 token 数，按 AIHubMix 挂牌价计算，Flash 1017 高峰时段 $0.118、非高峰 $0.059；Pro 0813 高峰 $0.469、非高峰 $0.233。

Pro 每会话成本约为 Flash 的四倍。要打平，Pro 必须以大约 Flash 四分之一的 token 量完成同一任务。而目前唯一的公开冗长度测量指向相反方向：Artificial Analysis 发现九月 Flash 在其指数上使用的输出 token 是 Pro 0813 的 1.62 倍，也就是说 Pro 只需约 62% 的 token 量，而非 25%。

缓存命中 指请求中与之前对话重复的输入 token 被服务端缓存复用，按远低于常规输入的价格计费。在 Agent 会话中，系统提示、工具定义和历史对话往往占据输入的绝大部分，因此缓存命中率直接决定实际账单。文中假设 90% 缓存命中，正是 Agent 场景的典型形态；若你的流水线每轮都注入全新上下文，缓存收益会大幅缩水，两个模型之间的成本倍数也会随之变化。评估切换时，应同时记录缓存命中 token 的占比，否则按挂牌输入价做粗略估算会系统性高估成本。

如何在自有工作负载上验证切换

前置条件

你需要一个 AIHubMix API key（导出为 AIHUBMIX_API_KEY），安装 OpenAI Python SDK（pip install openai），并指向 https://aihubmix.com/v1。两个模型 ID 分别是 deepseek-v4.1-flash-1017 和 deepseek-v4-pro-0813，一个 key 即可覆盖两者。当然，最重要的前提是你有一份来自真实工作负载的评估集，以及一套你已经信任的通过/失败判定。

用同一 prompt 跑两个模型

import os
from openai import OpenAI

client = OpenAI(api_key=os.environ["AIHUBMIX_API_KEY"], base_url="https://aihubmix.com/v1")

for model in ("deepseek-v4-pro-0813", "deepseek-v4.1-flash-1017"):
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": "Find the bug: def mean(xs): return sum(xs) / len(xs) - 1"}],
        max_tokens=16000,
    )
    print(model, resp.usage.completion_tokens, resp.choices[0].message.content[:200])

每行输出是模型 ID、completion_tokens 和答案前 200 个字符。把单个 prompt 换成你的评估集，并为每个模型记录三件事：通过率、每个 prompt 的 completion_tokens、以及从 AIHubMix 请求日志读出的单次运行成本，而非按挂牌价估算。1017 是针对更短输出训练的，但还没有人拿它和 Pro 做过测量，你的日志将是第一个适用于你工作负载的测量。

completion_tokens 是 API 返回的用量字段，表示模型本次实际生成的 token 数，包含思考过程（若模型输出推理内容）但不包含输入。它对切换决策至关重要：一个模型通过率更高但输出冗长，单位任务成本可能反而更高。max_tokens 则限制单次回复的最大生成长度，设置过小会截断长答案并拉低通过率，设置过大则可能让冗长模型消耗更多 token。在同一评估集上比较两个模型时，应固定 max_tokens 并记录每次调用的 completion_tokens，再结合单价计算每次运行成本，而不是只看通过率数字。

会扭曲对比的几种失效模式

Flash 打印更多 token，看起来更贵。 单看 token 数不能决定成本。按上述价格，Pro 只有在使用约四分之一 Flash 的 token 量时才打平。比较之前先乘以单价。

同一次评估两次运行成本可能翻倍。 非高峰时段两个模型都半价。如果一个模型的运行落在高峰、另一个落在非高峰，成本差距就会减半或翻倍。让两者在同一价格窗口内背靠背运行。

图像用例在 Pro 上无法评分。 Pro 完全不接受图像输入，1017 可以。把截图、图表、UI 相关的用例从共享评估集中拆出去。如果你的工作流包含任何这类任务，答案已经不言自明。

你的科学 QA 工作负载没有 1017 分数。 GPQA Diamond 是 Pro（92.4）唯一胜过九月 Flash（90.9）的基准，而 DeepSeek 没有公布 1017 的该项成绩。如果科学问答是你的主要工作负载，迁移前先用自己的题目测试。

尚未被验证的部分

所有上述基准数字都来自 DeepSeek 自己，没有第三方复现。论文中的 Pro 列没有写明是 0813 构建，其 Terminal-Bench 2.1 分数与 0813 卡片吻合，因此这里按 0813 解读。1017 相对 Pro 的输出长度尚未测量，Artificial Analysis 的 62% 数字针对九月 Flash。两个模型的每任务 token 数同样没有公开数据，上文会话成本是基于假设的估算，而非实测。

决策规则

如果你有一条已在 Pro 0813 上验证过的生产流水线且这个月没有时间重跑评估，或者你的科学 QA 工作负载中 GPQA 差距已在自有测试中显现，那就保留 Pro。

对于编程 Agent、终端自动化、工具调用流水线、任何涉及图像的任务，以及任何并发重要的高流量场景，转向 Flash。

对于你一直依赖 Pro 更短、更密集答案的长文写作与分析，迁移前先测试。

没有截止日期逼迫你迁移：DeepSeek 的更新日志表示将继续提供 V4 Pro，且未宣布退役日期。AIHubMix 的对比页在你跑评估期间并列展示两个模型的规格与价格。

核心要点

DeepSeek 官方基准显示 V4.1 Flash 1017 在所有公布的编程与 Agent 指标上超过 V4 Pro 0813，同时输出价格仅为后者的约三分之一。
一次假设性 Agent 会话估算中，Pro 成本约为 Flash 的四倍；Pro 需要以约四分之一 token 量完成同一任务才能打平，而现有冗长度数据不支持这一点。
切换前必须在你自己的评估集上测量通过率、输出 token 数与单次运行成本，而非依赖官方数字。
图像输入、并发上限（2500 对 500）和高并发成本场景是 Flash 的决定性优势；科学 QA（GPQA）是 Pro 唯一可能保留的阵地。
所有基准均为 DeepSeek 自测，尚无第三方复现；1017 的输出长度与每任务 token 数仍是空白。