DeepSeek V4.1 Flash「小更新」：闭源模型的危险信号

DeepSeek 发布了 DeepSeek-V4.1-Flash-1017，模型卡上写的是「小幅更新」。但紧接着放出的榜单里，Terminal-Bench 一项直接跳了 11 分。Hacker News 上的讨论帖几小时内冲到 849 分、600 多条评论，最高赞的质疑是：「这些基准不可能是真的吧？」

先别急着站队。把信号和噪音分开看，这次更新里有几件事值得认真对待。

这次到底发布了什么

根据 Hugging Face 上的模型卡，核心规格如下：

763B 参数，权重提供 BF16 / F32 / F8 / I8 多种格式
100 万 token 上下文，建议最大输出 256K 以上
MIT 许可证，商用无附加条款
支持 Transformers、vLLM、SGLang；社区已产出 33 个量化版本，覆盖 llama.cpp、Ollama 和 LM Studio
推荐采样参数：temperature=1.0、top_p=1.0

官方给出的目标很明确：改善任务执行时间、缩短输出长度，把「性能—成本帕累托前沿」往前推。注意这里的关键词是执行时间和输出长度，不是单纯的准确率。

厂商自报的基准数据

先看数字，再讨论可信度。

基准	V4.1-Flash-1017	V4.1-Flash	变化
HLE（无工具）	42.6	36.8	+5.8
Terminal-Bench 4.0	42.3	31.2	+11.1
DeepSWE v1.1	77.0	74.2	+2.8
Automation-Bench	60.5	54.8	+5.7

必须说清楚：这些是 DeepSeek^广告自己的数字，独立评测机构还没跟上。此前 Artificial Analysis 和 Vals.ai 对上一版 V4.1 Flash 的测试显示，它在开源权重模型中确实处于头部，但在某些专项评测上（SRE 类任务、法律智能体基准）是落后的。它并非全能选手，也没有模型是。

在模型卡数字被第三方复现之前，不要据此重写你的技术栈。

「小幅更新」为什么反而值得警惕

真正有意思的不是分数本身，而是分数涨在哪里。

涨幅集中在智能体终端任务

最大的提升出现在 Terminal-Bench，也就是智能体终端操作，而不是知识问答。这恰恰是生产环境中真正烧 token 的工作负载：读文件、改代码、跑命令、失败、重试，一轮接一轮的长循环。

结合官方「更短输出 + 更快完成任务」的描述，成本优势是会复利叠加的。如果一个智能体用更少的步骤、更少的废话完成任务，那么即使单 token 价格不变，账单也会下降。

Terminal-Bench 是一个专门评估智能体在真实终端环境中完成任务能力的基准，由斯坦福与 Laude Institute 等机构推动。它的任务不是选择题，而是给智能体一个容器化终端，要求它通过读写文件、执行 shell 命令、安装依赖、调试报错等一系列操作，最终达成某个可验证的目标状态（例如修复仓库中的失败测试、配置好某个服务）。评分依据是最终环境状态是否满足断言，而非输出文本的相似度。

正因如此，Terminal-Bench 的分数对「长程多步执行」极为敏感：一次任务往往需要几十甚至上百次工具调用，任何一步的失误都可能让整条轨迹失败。这也是为什么它比知识问答类基准更难刷分，也更能反映模型在生产环境中「真正把事做完」的能力。Terminal-Bench 4.0 是较新的一版任务集，任务难度和覆盖面相比早期版本有所提升。

每 token 价格本身已经很激进

当前挂牌价大约在 输入 $0.30 / 百万 token、输出 $1.20 / 百万 token，还有错峰折扣。具体费率建议直接看服务商页面的实时报价，因为这个市场变动很快。

把这两点放在一起看：单价比闭源前沿模型低一个数量级，任务完成效率又在提升，综合成本差距会被进一步拉大。

「帕累托前沿」（Pareto frontier）在这里指的是性能与成本之间不被其他方案同时占优的组合边界。如果一个模型在同等成本下性能更高，或在同等性能下成本更低，它就位于前沿上；反之则被支配。

官方说「把帕累托前沿往前推」，实际含义是：新版本并非单纯在准确率上堆分数，而是在「完成任务所需的总成本」这个维度上移动了边界。由于智能体任务的成本约等于「单 token 价格 × 总 token 消耗」，而总 token 消耗又随任务步数增长，所以单 token 降价和单任务步数减少这两个因素会相乘而非相加。这也是评估此类更新时，只看准确率会漏掉关键信息的原因。

被低估的另一件事：DeepSeek 开始卖搜索和抓取了

同一批新闻里还埋了一条：DeepSeek 上线了搜索与抓取 API，定价 每 1000 次成功请求 $0.75，且只在 HTTP 200 且返回真实结果时计费。

import requests

r = requests.post(
    "https://api.deepseek.com/v1/tools/search",
    headers={"Authorization": "Bearer <API_KEY>"},
    json={"query": "DeepSeek V4.1", "count": 5, "need_content": True},
)
print(r.json())

接口能力包括：

POST /v1/tools/search 返回排序结果、摘要、可选的页面正文
POST /v1/tools/fetch 把页面转成 Markdown
支持 site:、lang:、after: / before: 等检索算子
限流：每个 API 每秒 5 次请求，按账号计算

HN 评论区给出了价格参照：Exa 约 $4/千次，Brave $5，Kagi $12。DeepSeek 的定价明显是冲着这些玩家去的。但那条帖子也留下了一个悬而未决的问题：反爬保护的页面能不能干净地抓回来。这需要你在自己的目标站点上实测，不要直接信宣传。

搜索 API 与抓取 API 是两类不同但常配套使用的工具接口。搜索 API 接收查询词，返回排序后的结果列表（标题、URL、摘要），本质是替模型完成「找到相关页面」这一步；抓取 API（fetch）则接收单个 URL，把网页正文转成结构化文本（通常是 Markdown），替模型完成「读取页面内容」这一步。

两者结合，就构成了检索增强生成（RAG）和智能体联网能力的基础设施：模型先搜索定位，再抓取精读。计费方式「只在 HTTP 200 且返回真实结果时计费」意味着失败请求不计费，这对调用方更友好，但也要求服务商在结果质量上有足够信心。site:、lang:、after: 这类检索算子是搜索引擎常见的过滤语法，支持它们说明该接口面向的是需要精确控制检索范围的自动化场景，而非普通用户搜索框。

想本地跑？先算清楚账

763B 参数，坦白说，这不是笔记本能装的模型。

HN 上有一条评论说得很实在：他们希望 DeepSeek 重新推出小尺寸的「flash」模型，因为本地跑这个成本太高。量化版本让本地部署变得可能，但不等于便宜。对大多数团队来说，API 才是现实路径，而 MIT 许可证是你的保险——价格或可用性变化时，你随时可以把权重搬到别处托管。

模型量化的常见格式中，BF16 是 16 位浮点，通常作为原始权重精度；F8 / I8 是 8 位浮点或整数，显存占用约为 BF16 的一半；更激进的 4 位量化（如 GGUF 的 Q4 系列）能进一步压缩到四分之一左右，但会带来精度损失。

即便如此，763B 参数在 8 位精度下仍需约 760GB 以上的显存或内存，BF16 则翻倍到 1.5TB 量级，这远超单台主流服务器。因此「社区产出 33 个量化版本、覆盖 llama.cpp / Ollama / LM Studio」只说明工具链已经打通、理论上可以在高内存机器上跑起来，并不意味着普通工作站可行。量化降低的是门槛下限，不是把大模型变成轻量模型。

这一周可以做的四件事

接进评测框架，而不是生产环境。 用你自己的智能体 trace 跑，别用公开榜单。
测完成步数和总 token 消耗，而不只是准确率。这次的卖点就在这两个指标上。
留好退路。 开放权重意味着价格变动时你可以换托管方。
等第三方在 Terminal-Bench 上的复现结果，再动架构决策。

结论

开源权重、MIT 许可的模型，已经在智能体编程任务上逼近闭源前沿模型，价格却只是零头，而且每隔几周就发一次「小幅更新」。闭源厂商的护城河正在收缩到分发、工具链和信任这三件事上。

对以十倍价格卖 token 的厂商来说，这是糟糕的一周。对在这些模型之上做产品的开发者来说，这是很好的一周。

来源：DeepSeek-V4.1-Flash-1017 模型卡、HN 讨论、DeepSeek 搜索/抓取文档。