DeepSeek V4.1 Flash 1017实测：智能涨至45，单任务成本降47%

DeepSeek 悄悄完成了一次模型替换：从 2026 年 10 月 17 日起，调用 deepseek-flash 的请求实际上已经由 DeepSeek-V4.1-Flash-1017 接管。首发时唯一的基准测试表来自 DeepSeek 自己，The Decoder 当天就指出尚无独立结果。现在第三方评测机构 Artificial Analysis 补上了这一环，给出的数字比官方宣传更有说服力。

第三方评测：分数上涨，成本下降更明显

Artificial Analysis 的 Intelligence Index 显示，推理版 V4.1 Flash 1017 得分 45，上一代 V4.1 Flash 在同一指数上为 39。该指数使用 v4.3.2 版本，打包了 10 项评测，包括 Terminal-Bench 4.0、SciCode、Humanity's Last Exam 和 AA-LCR，两款模型都测试「Max」推理档位。

分数之外，成本行的变化更值得关注。每任务成本从 0.49 美元降到 0.26 美元，降幅约 47%；跑完整套指数所需的输出 token 从 2.5 亿降到 2.1 亿，减少约 16%。而每百万输入/输出 token 的价格没有变动，仍是 0.30 / 1.20 美元。换句话说，便宜的不是单价，而是模型回答问题的方式。

在 121 个模型中，1017 排在第 2 位。页面 FAQ 称其得分「远高于同尺寸开放权重模型的平均水平（中位数 19）」。许可证为 MIT，上下文窗口 100 万 token。

Intelligence Index 是 Artificial Analysis 维护的复合基准，并非单一测试。它将多项能力评测的百分制得分加权汇总为一个索引值，覆盖代码生成（如 Terminal-Bench 4.0、SciCode）、长上下文推理（AA-LCR）和通用知识问答（Humanity's Last Exam）等维度。由于不同版本的指数可能调整题目集或权重，跨版本分数不可直接比较；文章特意注明使用 v4.3.2，正是为了强调 45 与 39 是在同一尺子下测得。该指数还区分推理档位，要求被测模型在相同 effort 设置下运行，否则比较会失真。

47% 的成本下降从何而来

价格没动，成本却降了，答案在 token 用量。Artificial Analysis 没有把每任务成本拆成输入、缓存输入和输出三部分，所以无法精确判断 47% 中有多少来自更短的输出。发布说明中 DeepSeek^广告 承诺「输出比上一版更短」，输出 token 总量确实下降了 16%，但剩下的降幅可能来自缓存命中率或其他因素。

即便已经变短，1017 仍算「话多」。评测页面称 2.1 亿输出 token「相对 1.4 亿的中位数而言非常冗长」。低单价和长回答会相互抵消，所以看成本要看每任务那一行，而不是每百万 token 的价格。

缓存输入（prompt caching） 是 API 计费中的一项独立价格档位。当多次请求共享相同的前缀（如系统提示、长文档或代码库上下文）时，服务端会缓存这部分 token，后续请求命中缓存即按远低于正常输入的价格计费。DeepSeek 的峰时缓存命中价为每百万 0.006 美元，仅为未命中输入价 0.30 美元的 2%。Artificial Analysis 的基准表未拆分缓存与未命中输入，因此 47% 的成本降幅中，有一部分可能来自缓存命中率变化而非输出缩短；要精确归因，需用 API 返回的 prompt_cache_hit_tokens 与 prompt_cache_miss_tokens 分别计价。

0.26 美元背后的两个前提

这个数字建立在两个假设上，而你的实际流量未必符合。

其一，价格档位。 Artificial Analysis 按每百万输入 0.30 美元、输出 1.20 美元计算，这是 deepseek-flash 的峰时价格。DeepSeek 定价页显示，非峰时价格减半：输入 0.15 美元、输出 0.60 美元，缓存输入从 0.006 降到 0.003。峰时为 UTC 周一至周五的 01:00–04:00 和 06:00–10:00，中国法定节假日按非峰时计。一个跑在 UTC 工作日 10:00 到次日 01:00、或整个周末的批处理任务，实际支付只有基准表的一半。

其二，推理档位。 测的是 Max。DeepSeek 的思考模式指南写明思考默认开启，「默认 effort 为 high」，可选值为 low、high、max。如果你从未设置 reasoning_effort，你跑的并不是那个得 45 分的配置，多半也不在支付它的 token 账单。Hacker News 讨论中，一位测试过更早 Flash 版本（非 1017）的用户称 max「用了多得多的 token（印象中差不多两倍），相比 high 几乎没有收益」。这只是个人在旧模型上的体感，不是测量结果。

用你自己的流量算每任务成本

不需要排行榜也能算出自己的每任务成本。DeepSeek 的 chat completion 接口在每次响应的 usage 对象中返回 prompt_cache_hit_tokens、prompt_cache_miss_tokens 和 completion_tokens。把属于同一个任务的调用累加，再按请求发生时段套用费率即可：

// deepseek-flash, USD per 1M tokens (DeepSeek pricing page)
const PRICES = {
  peak: { hit: 0.006, miss: 0.3, out: 1.2 },
  offPeak: { hit: 0.003, miss: 0.15, out: 0.6 },
};

type Usage = {
  prompt_cache_hit_tokens: number;
  prompt_cache_miss_tokens: number;
  completion_tokens: number;
};

// Peak: 01:00-04:00 and 06:00-10:00 UTC, Monday-Friday.
// Chinese public holidays are off-peak; not handled here.
function isPeak(at: Date): boolean {
  const day = at.getUTCDay(); // 0 = Sunday, 6 = Saturday
  if (day === 0 || day === 6) return false;
  const h = at.getUTCHours();
  return (h >= 1 && h < 4) || (h >= 6 && h < 10);
}

export function costUSD(u: Usage, at: Date): number {
  const p = isPeak(at) ? PRICES.peak : PRICES.offPeak;
  const scaled =
    u.prompt_cache_hit_tokens * p.hit +
    u.prompt_cache_miss_tokens * p.miss +
    u.completion_tokens * p.out;
  return scaled / 1_000_000;
}

把 costUSD 按任务累加，并和该任务是否通过一起记录。你的评测集分别跑 high 和 max 两档，真正要看的数字是：在各档位下，一个通过的任务花多少钱。

拿它和你现在用的模型跑同一张工单

指数分数说明的是模型在 Artificial Analysis 任务上的表现，你的代码库是另一套任务。DeepSeek 文档说明了如何通过 Anthropic 格式端点 https://api.deepseek.com/anthropic 把 Claude Code 指向其 API，因此可以把同一张工单同时交给现有配置和跑在 1017 上的配置。该指南把 CLAUDE_CODE_EFFORT_LEVEL 设为 max，也就是前面提到的贵档位；如果要比对档位差异，再跑一次 high。

如果希望两个会话同时跑在同一个仓库而不互相污染文件，可以借助 worktree 机制。以 Hermes IDE 为例，每个任务在独立的 hermes/<name> 分支和独立 worktree 中启动，两个会话能在分屏中并排运行。需要说明的是，本文作者是 Hermes IDE 的开发者，这一点在权衡时应纳入考虑。Hermes 会显示 agent 上报的成本，或基于会话记录估算的、标注为估算的成本及 token 总量；对于它未内置定价的模型，可以对照 token 总量用 DeepSeek 价目表手算。作者本人尚未在 Hermes 中实测 1017。

Worktree 是 Git 的内置机制：git worktree add 允许在同一仓库上同时检出多个分支到不同目录，各目录拥有独立的工作区和索引，但共享对象库。与复制仓库或 stash 切换相比，worktree 让两个 agent 会话并行修改同一代码库而不互相覆盖文件，也无需克隆。评测模型时，可让两个会话各自在独立 worktree 中处理同一张工单，再对比补丁质量与 token 成本；合并时按常规分支流程处理冲突即可。

你的 deepseek-flash 调用已经变了

这次替换不需要你做任何改动。旧名称 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 仍然可用，但 DeepSeek 定价页说明其对应模型已退役，请求会转到 1017，按 Flash 价格计费。若想要一个不会被悄悄替换的版本，MIT 许可的权重文件是固定版本的一条路径。

1017 对你是否更便宜，取决于调用时段和推理档位。你显式设置过 reasoning_effort，还是一直在用默认值？这可能是成本账单里最容易被忽略的变量。

背景补充

推理档位（reasoning effort） 控制的是模型在给出最终回答前进行内部思考的 token 预算。DeepSeek 将可选值设为 low、high、max：档位越高，模型在思维链阶段消耗的 token 越多，通常换来更高质量，但输出 token 账单随之上涨。由于思考默认开启且默认档位为 high，大量未显式设置 reasoning_effort 的调用实际运行在 high，而非基准表中的 max，因此既得不到 45 分对应的质量，也无需支付 max 的 token 成本。评测时应固定档位再比较，否则分数与成本都不可比。