DeepSeek V4.1 Flash 1017实测：低调更新背后的性能飙升与争议

Hacker News 上最热门的评论不是关于跑分，而是模型卡上的一句话：“DeepSeek^广告-V4.1-Flash-1017 是对 DeepSeek-V4.1-Flash 的小幅更新，在推理、编码、智能体任务和视觉基准上带来显著提升。”有用户称这很滑稽，也有人回复说这说明团队更像工程师而非市场人员。确实如此：一个补丁级版本号，周五悄然上线，没有发布会、没有直播、没有演示视频。而 Terminal-Bench 4.0 的分数却从 31.2 跃升至 42.3。

这不是其他任何一家发布模型的方式。没有倒计时，没有主题演讲，没有精心泄露。只有一个检查点、一张表格，和一个周五。

1017 到底是什么：后训练检查点而非新架构

先说无聊的真相。1017 是一个后训练检查点，而非新架构。基础仍是 9 月发布的 V4.1-Flash：552B 骨干参数、196B Engram 参数，稀疏 MoE 在输入时激活 8B 参数，输出时激活 16B。版本号对应日期——10 月 17 日，仅此而已。

变化来自强化学习过程。DeepSeek 表示使用了带自反馈的强化学习来推动端到端项目工作：游戏创作、3D 建模、长智能体运行。权重结构相同，行为更优。同样的模型，同样的价格，更好的分数。

价格保持不变。deepseek-flash 在非高峰时段每百万缓存未命中输入 token 收费 0.15 美元，每百万输出 token 收费 0.60 美元，高峰时段翻倍。旧名称 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 也静默指向 1017。

后训练检查点（post-training checkpoint） 是机器学习工程中的常见概念：模型先经历大规模预训练获得通用能力，随后通过监督微调、强化学习等后训练阶段进一步塑造行为。所谓“检查点”，指训练过程中定期保存的权重快照。DeepSeek 在这里做的是保留 9 月 V4.1-Flash 的全部预训练权重与架构，只把后训练阶段迭代到 10 月 17 日的状态，因此版本号带日期而非主版本跃迁。这也解释了为何权重结构、参数量、上下文窗口完全一致，性能差异却集中在需要多步推理与工具调用的任务上——这些正是强化学习最能施加影响的领域。

Engram 参数 是 DeepSeek 在 MoE 架构中引入的一类稀疏参数，名称借自认知科学中“记忆痕迹”的概念。与传统 MoE 中按 token 路由的专家不同，Engram 参数通常服务于长程记忆或知识检索式的激活模式，在总参数中占据相当比例但不参与每次前向的密集计算。这 196B Engram 参数与 552B 骨干参数共同构成 763B 总规模，而每次推理实际激活的参数量被控制在 8B（输入）到 16B（输出）量级，这是稀疏 MoE 能用极低算力成本提供大模型能力的关键。

跑分表：喜忧参半的真相

基准测试	1017	V4.1-Flash
Terminal-Bench 4.0	42.3	31.2
DeepSWE v1.1	77.0	74.2
ProgramBench	29.1	20.3
HLE（无工具）	42.6	36.8

每一行都在进步，Terminal-Bench 五周内涨了 11.1 分。但让我在意的是：DeepSWE 上 1017 得分 77.0，超过 Claude Opus 5 的 74.0，这个数字在 Twitter 上飘了一整天。然而在无工具 HLE 上，Opus 5 达到 56.3，DeepSeek 只有 42.6。同一个表格里，模型在智能体编码上获胜，在困难推理上大幅落后。这不是丑闻，而是一个廉价快速模型应有的样子。但转发 77.0 的人省略了 42.6。

Terminal-Bench 是评估模型在真实终端环境中完成多步命令行任务的基准，任务包括配置服务、调试脚本、操作文件系统等，强调智能体循环中的错误恢复能力。DeepSWE 面向软件工程场景，考察模型阅读代码库、定位缺陷并生成补丁的能力；ProgramBench 侧重从自然语言规格生成可运行程序；HLE（Humanity's Last Exam） 则是高难度跨学科闭卷问答集，题目由领域专家撰写，刻意避免训练数据污染，因此“无工具”设置下更能反映模型自身的推理深度而非检索能力。理解这几个基准的差异，才能读懂表格里“智能体编码领先、纯推理落后”的分裂表现：前者奖励多轮试错与工具使用，后者要求单次前向就给出正确答案。

没人谈论的缓存：真正的成本杀手

底层发生的事比分数更有趣。V4.1-Flash 采用因果编码器-解码器设置，解码器的全局 KV 缓存从编码器最终隐藏状态投影而来。加上压缩稀疏注意力 2 和 FP4 主 KV 缓存，最终达到每 token 890 字节。作为对比：大约是上一代 Flash 缓存量的四分之一，持久化 KV 缩减至约八分之一。

为什么重要？因为智能体框架会不断重发巨大提示：代码库、工具输出、聊天历史。OpenRouter 显示 DeepSeek 自有端点的缓存命中率高达 95.2%。真正的账单在这里。价目表上每百万 token 看起来很便宜，但发票实际关乎你为多少 token 支付全价。对大多数人来说，大部分 token 都被缓存了。

第一次思考这个问题时我搞反了，以为更小的缓存意味着丢失上下文。并非如此：你保留同样的 100 万窗口，只是为维持它支付的费用大幅降低。

KV 缓存 是 Transformer 自回归解码时保存历史 token 的键值向量，避免每生成一个新 token 就重算全部上下文。上下文越长、并发越高，KV 缓存占用的显存和带宽就越大，直接决定推理成本。压缩稀疏注意力（CSA） 通过对注意力模式做稀疏化与低秩压缩来削减缓存体积，而 FP4 主 KV 缓存 指用 4 位浮点存储这些向量，相比常见的 FP16 可节省约四分之三空间——代价是量化误差需要靠校准与混合精度策略控制。文章提到的“每 token 890 字节”正是这些技术叠加后的结果。对智能体工作流而言，缓存命中率决定了重复提示中有多少 token 按折扣价计费，因此 95.2% 的命中率比标价更能解释实际支出。

社区反响：期待的错位

反应泾渭分明。Hacker News 上有人说，早在 DS4 时期它就达到了自己关注新模型的门槛；另一位说该系列的公告感觉像痴迷于已经解决问题的软件补丁发布。另一边，有人说用 20 美元的 DeepSeek API 花费比 20 美元的 ChatGPT Plus 订阅完成的工作多得多，还有人称之为最喜欢的模型。

然后是关于中国实验室为何从不提升主版本号的理论。一位评论者声称认证规则推动公司把更新称为小版本，有人要求来源，答案是一个付费播客。这一点需谨慎看待。分歧不在于模型本身，而在于人们期待一次发布应该有什么感觉。

开源，但仅限于理论上

权重以 MIT 协议在 Hugging Face 上发布，听起来是头条新闻，直到你看到尺寸：763B 参数，FP8 张量类型，已有 13 个量化版本和 2 个微调。有人在讨论中算过：2 位量化大约 175GB，在 256GB 机器上还能给 KV 缓存留出空间。所以是的，技术上你能运行它；不，几乎没人会这么做。真正运行的人会花一个周末，然后贴出每秒 4 个 token 的截图。我尊重这种行为，但这不是工作流。真正受益的是通过 API 调用 deepseek-flash 且无需操心的人。

FP8 张量类型 指权重以 8 位浮点格式存储，相比 BF16 约减半显存占用，但保留浮点动态范围，精度损失通常小于 INT8 对称量化。在此基础上再做 2 位或 4 位量化属于后训练量化，需要额外的校准数据集，且对 MoE 模型尤为棘手：不同专家被激活的频率差异极大，统一量化容易让冷门专家退化。256GB 内存机器能装下 2 位量化版本，但 CPU 推理的带宽瓶颈决定了每秒个位数 token 的现实，这解释了为何“MIT 协议开源”与“可实际使用”之间仍隔着一条工程鸿沟。

搜索 API：被低估的战略布局

埋在跑分表下面的是我反复思考的东西。DeepSeek 向所有人开放了内部搜索和抓取 API：每 1000 次成功调用 0.75 美元，空结果免费。如果通过 DeepSeek Harness、Claude Code 或 Codex 调用，服务器端工具调用在 11 月 1 日前免费。一个廉价的编码模型加上第一方网络层，共用一个密钥。 这是不同寻常的一步。每千次 0.75 美元的搜索单独看不是最有趣的价格，但它意味着智能体可以循环处理网络结果，而你无需接入第二个供应商和第二份账单。

实用建议：谁该升级，谁该跳过

大多数人不需要 1017。如果你在写 cron 脚本或总结邮件，上个月的模型就够用。终端基准从 31 到 42 的跃升不会改变你的一周。该模型也不是推理冠军：Opus 5 在 HLE、ProgramBench、NL2Repo 上仍然胜出。如果你的工作是一个困难模糊的问题，付费使用更聪明的模型。如果你在一台勉强装下 200B 参数的机器上，停止阅读——这不是你的版本。本地故事仍然艰难，没人应该假装不是。

最后：低调发布的信号

DeepSeek 在周五发布了这个，模型卡上称自己的重大改进为“小幅”，完全没有发布会。分数图是真的，缓存数学是真的，纯推理上的差距也是真的。我一直在想，如果他们真正尝试，发布会会是什么样。也许这就是重点：一旦模型足够好、足够便宜，戏剧性就开始显得像开销。我仍然认为“小幅”这个词承担了太多工作。但我宁愿要一张诚实的表格，也不要一张精心编排的。