DeepSeek V4.1 Flash 1017实测：Token效率补齐最大短板

DeepSeek 发布 V4.1 Flash 的 1017 版本，官方口径是"小更新"，但基准测试和周末实测给出的信号要强得多。最值得关注的不是分数涨了多少，而是它完成任务所消耗的 token 明显变少了——这恰好是 DeepSeek Flash 系列长期被诟病的地方。

从"单价便宜"到"任务便宜"

模型定价页上的数字是按 token 计的价格，但实际支出是单价乘以模型为完成任务生成的 token 总量。一个单价打五折、思考量翻三倍的模型，最终账单可能更贵。这正是 DeepSeek^广告 Flash 之前的问题：费率低，但耗 token 多。

据 artificial analysis 在去年四月对 V4 Flash 的测试，它是当时测试过的最耗 token 的模型之一；九月的 V4.1 Flash 更啰嗦，跑同一基准的 token 消耗接近同规模开源模型的兩倍。低价被"想得多"悄悄吃掉了。

1017 版本的关键变化就在这里：DeepSeek 自己的图表显示，同等单价下编程任务在 max 档的成本从约 50 美分降到约 20 美分。这个降幅只有在生成 token 大幅减少时才可能出现。

Token 消耗为何成为性价比关键

大模型 API 通常按输入和输出 token 分别计价，而推理模型在生成最终答案前还会产生大量不可见的“思考 token”，这些同样计费。对于需要多步推理或长程任务，思考 token 可能数倍于可见输出，因此“单价便宜”不等于“任务便宜”。业界常用“每任务成本”（cost per task）衡量真实开销，即完成一个标准任务（如编程题、网页生成）的总费用。DeepSeek Flash 系列此前因过度思考导致 token 消耗偏高，削弱了低价优势；1017 版本通过减少冗余思考 token，使同等任务的总成本显著下降，这正是其性价比提升的核心机制。

基准与真实测试：不只是纸面数字

模型规模与九月版完全一致，但权重明显不同。DeepSeek 称进一步训练让所有基准都有提升，其中 Terminal Bench 从 31 涨到 42——对一个自称"小更新"的版本来说相当可观。按其自家数据，它已能对标 GPT 5.6 Sol（并非 OpenAI 最新型号），而价格只是零头。在 Arena 的 Web Dev 排行榜上，它成为排名第一的开源模型，仅落后 Gemini 版 Argon 八分。

我重跑了九月版用过的同一批 prompt 与设置：high 档推理 token 减少约三分之一，max 档降幅更大，同时准确率反而上升，带视觉能力的物体检测项目提升尤其明显。一个有趣的细节是，我在官方公告前就跑完了测试，API 里的模型名和响应指纹都没变，但背后的模型显然已经换了。

长程 Agent 任务：从 3D 龙到会跑的机器狗

我把一周前交给 Gemini 版 Argon 的同一批长程任务，全部丢进 DeepSeek harness 无人值守运行。每个任务是一个目标，agent 持续工作、用截图自查输出，自认为完成后才停。

第一个是图形研究者 Kenan Crane 在另一个前沿模型上跑过的 3D 测试：用有符号距离函数（SDF）纯数学描述每个形体，不借助 Blender 或任何 3D 软件，造一条龙。给 DeepSeek 同样的两条 prompt 和参考图，最终渲染里每一片鳞、角、眼睛都是单个 shader 文件里的数学函数。

接下来是三个开放式 3D 世界：程序化星球、传送门物理实验室、带真实齿轮传动的机械表。每个都是它自己写的单页网页，自己在浏览器里测试并持续改进约一小时。对可自托管的开源模型来说，这个结果相当能打。

更有说服力的是真 GPU 实验。我给它 DGX Spark 的访问权限，第一个任务是超过 50 万颗恒星的双星系碰撞模拟：它自己写模拟、检查总能量近似守恒、再渲染完整并合过程。第一次运行时 Spark 直接卡死，因为三个重任务在同时跑——这是我自己的配置问题，但模型并未主动指出这一点。

最惊艳的是开头那只机器狗：要求从零手写 PPO 强化学习算法、禁止使用任何 RL 库，教四足机器蚂蚁走路。训练 46 秒后它就开始前进，不到两分钟达到目标分数，26 分钟后奔跑速度接近 6 米/秒。写代码、训练、渲染视频、生成结果页，整个任务花了约 22 美分。

SDF 与 PPO 的技术背景

有符号距离函数（SDF）是一种用数学表达式描述三维形体的方法：对空间中任意一点，函数返回该点到形体表面的最短距离，符号表示点在内部还是外部。通过组合球体、圆柱、圆环等基本 SDF 并做布尔运算，可以纯代码构建复杂模型，无需传统多边形网格。这要求模型具备较强的数学抽象与空间推理能力。

近端策略优化（PPO）是强化学习中的经典算法，通过约束策略更新幅度来稳定训练。让模型从零手写 PPO 并训练四足机器人行走，考验的是其对强化学习原理、奖励设计、超参数调节和并行环境模拟的综合掌握，而非简单调用现成库。

多模态与前端：聪明，但不是前沿

模型原生支持图像输入，不支持视频，agent 需要自己抽帧来看。

第一项视觉测试是一张缺了两个房间尺寸的户型图，要求生成完整 3D 漫游。它从图纸其余部分反推出缺失尺寸，做出了娃娃屋视图、俯视平面图和自动导览的行走模式。第二项是 20 秒的双摆混沌运动视频，要求建立并排对照的仿真。它追踪两条摆臂上的光点跨越全部 500 帧，再拟合物理参数，然后让仿真完全自主运行——前几秒吻合，之后逐渐漂移，这正是真实混沌系统该有的样子。作为对比，上周测试的 Gemini 版 Argon 是从视频里量出摆角，再用一根隐藏弹簧把仿真拉回目标区域。

前端是差距显现的地方。对简单的落地页，它重建得几乎像素级一致；但对 NASA 首页这类复杂页面，始终略逊于 Argon——尽管 Arena 上人类投票几乎同样喜欢它的设计。Argon 的视觉还原能力明显更强。给页面做暗色模式时它表现亮眼，页面里的照片全是它手写 SVG 画出来的，NASA 页面上的降落伞就是上千行手写矢量代码。

视觉还原与设计偏好的区别

前端页面重建涉及两个维度：视觉保真度（像素级还原布局、颜色、字体、图像）和设计合理性（人类主观偏好）。Arena Web Dev 排行榜基于人类 pairwise 投票，反映的是后者；而复杂页面（如 NASA 首页）的精确重建则依赖前者。DeepSeek 1017 在设计偏好上接近前沿模型，但视觉还原仍逊于 Gemini Argon，说明其多模态理解在细粒度空间定位和样式复现上存在差距。模型手写 SVG 生成图像，则展示了其将视觉元素转化为矢量代码的代码生成能力。

推理档位怎么选

模型有 low、high、max 三档。我把 20 个任务在 high 上重跑以对比 max：max 多生成约 16% 的 token，推理任务的总耗时几乎相同；推理题和网页重建上 max 没有可测差别，high 已经够完美；但长程开放式构建中，max 完成了 high 超时的户型图，3D 世界也明显更丰富。我的建议很简单：默认 high，只在需要反复打磨的长程开放式构建里切到 max。

另一个实操提醒：DeepSeek 表示模型是在 DeepSeek harness 内训练的，建议升级到最新版（录制时为 0.2.1）。我用旧版测试时没看到明显差异，但值得留意。

推理档位（reasoning effort）的作用

推理档位控制模型在生成答案前允许消耗的思考 token 上限。low 档倾向于快速响应，适合简单查询；high 档在准确率与成本间取得平衡；max 档允许更长的内部推理链，适合需要反复试错、自我修正的复杂任务。档位越高，模型越可能发现并纠正错误，但 token 消耗和延迟也相应增加。实测表明，对于有明确答案的推理题，high 档已足够；而对于开放式长程构建，max 档能完成 high 档超时的任务，并产出更丰富的细节。

结论

1017 版本真正的意义，是 DeepSeek 第一次同时做到"每 token 便宜"和"每任务便宜"，token 效率的短板被补上了。它不是前沿模型，做前端精确还原时差距肉眼可见；但在长程 agent 任务这个区间、这个价格上，是我目前测过性价比最高的。价格战已经开打，连中国厂商都在用它互相施压。