DeepSeek V4.1 Flash 1017实测：开源模型编程与3D能力逼近旗舰

DeepSeek 再次用一次「小版本更新」搅动了开源 AI 社区。9 月 10 日首发的 V4.1 Flash 迎来 1017 更新，官方将其定位为「帕累托改进」——同等或更低成本下实现更高性能。B 站 UP 主在完整实测后给出的评价是：这可能是目前最强的开源模型，尤其在智能体编程、3D 生成和性价比三个维度上，表现远超预期。

一次非旗舰的「帕累托改进」

需要先厘清一个事实：V4.1 Flash 1017 不是全新的旗舰模型，而是对 Flash 系列的持续迭代。DeepSeek^广告 称其测试更好、回复更快、输出更简短，本质是在不抬高成本的前提下提升性能。模型已在 DeepSeek 平台上线，支持 DeepThink 和普通聊天两种模式，手机应用与 API 同步可用。

这次更新的重点不在通用对话，而在智能体编程与项目开发。DeepSeek 用带反思的强化学习来提升模型完成整个项目的能力——从只生成基础代码，转向端到端处理复杂开发工作流。游戏开发、应用搭建、3D 建模这类任务，正是这一能力跃迁的直接体现。

基准测试：编程能力超过 GPT 5.6

据 UP 主引用的官方与第三方数据，V4.1 Flash 1017 在多个基准上相比上一代有明显提升：

• Terminal Bench 4.0 从 31.2% 升至 42.3%，超过 GPT 5.6 的 39.9%；
• 某一编程相关基准中，DeepSeek 报告其得分 77%，超过 GPT 5.6、Claude Opus 5.5 和 GLM 5.3；
• HLE 测试成绩从 36.8% 提升至 42.6%，逻辑推理能力同步进步。

在 World of AI Benchmark 的多领域综合测试中，该模型目前排名第 10 或第 11 位。UP 主的判断是：尚未进入前十，部分领域仍有差距，但编程能力很出色。定价方面，输入每百万 token 0.3 美元、输出 1.2 美元，上下文窗口达 100 万 token。模型体量过大，实际上无法在本地运行，但作为 API 调用的开源模型，这个价格极具竞争力。

Terminal Bench 是一个评测 AI 模型在真实命令行环境中完成任务的基准，任务涵盖文件操作、Git 版本控制、系统配置与脚本调试等，考察模型能否把自然语言指令转化为可执行、可验证的终端操作序列。它比单纯的代码补全更贴近实际工程场景，因此常被视为衡量智能体能力的硬指标。

HLE 全称为 Humanity's Last Exam，是 2025 年推出的大规模高难度学术问答基准，题目横跨数学、物理、人文与工程等学科，由领域专家出题并设有防记忆泄漏机制。它用来测试模型的深层推理与知识整合能力，得分普遍偏低，因此每一个百分点的提升都颇具含金量。

智能体编程与开发工作流

真正让 UP 主兴奋的是模型在端到端开发中的表现。他以第一人称跑酷游戏为例，四款 Flash 模型用单个 HTML 文件制作含四个关卡的游戏，DeepSeek 4.1 Flash 的视觉效果最佳——尽管 Hiku 的功能更完善、成本更低（8 美分 vs 14 美分）。

更值得关注的是工具框架的配合。UP 主提到 DeepSeek Harness 这类专为该模型打造的工具，能优化工具调用、管理上下文、执行代码和复杂任务。接入框架后，模型可以持续测试、发现错误并借助工具改进结果，而不只是通过 API 单次请求生成代码。这套组合把模型的智能体能力进一步放大，也是它区别于「裸调 API」的关键。

智能体编程指的是模型不只被动生成代码片段，而是在一个循环中自主规划步骤、调用工具（读写文件、执行命令、运行测试）、观察结果并据此修正方案，直到任务完成。与传统「一次性补全」相比，它对上下文管理、错误恢复和长程规划的要求高得多，也更容易在多轮迭代中暴露偏差。

Harness 在 AI 工程语境中并非模型本身，而是包裹在模型外层的执行框架：它负责组装提示、调度工具调用、维护上下文窗口、截断或摘要历史、执行沙箱内代码并回收报错信息。同一模型接入不同框架，实际表现可能相差明显，因此在比较模型能力时，框架条件是否一致值得留意。

3D 生成：一次更新带来的质变

UP 主将两个月前发布的 V4.1 Flash 原版与新模型做了 3D 场景生成对比，结论是「有天壤之别」。中世纪王国场景在单个文件中创建了超过 200 万个体速，约 25 分钟完成，API 费用仅 5 美元，还实现了昼夜循环和巨龙等侧边栏功能。

用 Blender 完成任务耗时约 7 小时，费用 1.83 美元——UP 主对此的评价是：适合在夜间运行，让模型慢慢完成需要长时间打磨的任务。前端开发同样出色，排版、动态移动、微动效和滚动触发的细节处理「非常丝滑」，360 度产品查看器稳定可靠。

文中出现的「体速」应为 体素（voxel），即三维空间中的体积像素，是类似 Minecraft 的方块化 3D 场景的基本构成单元。一个场景包含数百万体素，意味着模型需要在单个文件中组织海量几何数据与渲染逻辑，同时维持可交互的帧率，这对代码结构的组织能力是实打实的考验。

Blender 是开源的三维创作套件，涵盖建模、材质、动画与渲染。文中把模型生成与 Blender 制作放在一起对比，本质是在比较「AI 直接产出可运行代码场景」与「人工在专业工具中建模」两条路径的时间与费用。需要注意，两者产物形态不同，成本数字的可比性有限。

成本对比：便宜 26 倍的差距

性价比是这次实测反复出现的主题。相同提示词下，DeepSeek 花费两角三分，Claude Opus 5.5 需 6 美元，便宜约 26 倍；DeepSeek 耗时一小时，Opus 只用 20 分钟，成果虽有瑕疵但质量接近。与 GPT-6 Luna 的 Tesla Roadster 主题 3D 场景对比中，DeepSeek 约 89 美分、Luna 约 1 美元 70 美分，便宜约 17%，Luna 质量略胜一筹。

与 GPT-6.1 Soul Ultra 的对比更夸张：DeepSeek 成本低约 90%，仅 44 美分却取得相当出色的结果，耗时大致相同。与 Kimi K3 共创 Minecraft 沙盒时，Kimi 花 2.5 小时和 35 美元，DeepSeek 仅 1.5 小时 80 美分，但功能层面存在问题。生成速度方面，据称约每秒 244 token，早期测试接近 300 token。

风格争议与配套生态

UP 主注意到一个有趣现象：模型在某些回答中似乎自称是 OpenAI 的 AI 模型，尤其在深度逻辑推理时。这引发了对训练中是否使用蒸馏的推测，但他也强调这不能作为确凿证据，「开发者都这样做，别把这话当绝对真理」。

配套工具同样值得关注。DeepSeek 向所有人开放了搜索和检索数据 API，基于自有搜索基础设施，每天可处理全球数亿次查询，两个接口端点每千次调用 75 美分。若搭配 Claude Code、Codex 或 DeepSeek Harness 使用，通过后端工具进行的搜索和数据检索目前免费，截止到 10 月 31 日世界协调时 16 点。

蒸馏指用一个能力更强的「教师模型」的输出（或其概率分布）来训练较小的学生模型，属于常见的知识迁移手段。模型在特定提问下自称是另一家公司的产品，可能是训练数据中混入了该模型的对话文本所致，也可能源于对齐阶段的表述偏好，并不能单独作为蒸馏的直接证据。判断这类问题通常需要看训练数据披露、tokenizer 特征或输出分布的系统性比对。

值得尝试，但别神化

综合来看，V4.1 Flash 1017 在编程、3D 和性价比上确实令人印象深刻，SVG 生成等任务中与 Gemini 4 Argon 的结果接近而成本低 3 倍（40 美分 vs 1.20 美元），只是耗时更长（50 分钟 vs 13 分钟）。它仍不完美，个别任务的质量与功能完整性仍落后于顶级闭源模型。UP 主的最终建议很务实：现在可在聊天中免费试用，值得体验；如果追求极致质量，旗舰模型仍有优势；如果追求成本与效果的平衡，这可能是当前开源阵营里最能打的选择。