DeepSeek V4.1 Flash更新：参数真相、跑分争议与成本革命

DeepSeek在10月17日连续放出两个动作：上午开放搜索接口，下午发布新模型V4.1 Flash 1017。官方将其定性为9月版本的“小幅更新”，但基准测试分数的涨幅和社区反应都说明，这次更新的分量远比字面描述更重。

成绩单：11项基准全线上涨，终端智能体提升显著

官方公布了11项基准测试结果，全部较9月版本有所提升，涨幅在2到11.1分之间。其中最引人注目的是三个与智能体（Agent）能力直接相关的项目：

• Terminal Bench 4.0：测试终端环境中执行真实任务的能力，从31.2分升至42.3分，提升11.1分。
• Program Bench：Meta提出的整个软件重建基准，从20.3分升至29.1分，提升8.8分。
• Deep SWE：长任务真实仓库工程测试，从74.2分升至77分，提升2.8分。

训练方法上，官方披露采用了带自我反馈的强化学习，并演示了从游戏到3D建模的完整项目流程。中文媒体将其称为“许愿式编程”。需要注意的是，这些对比的旧分均来自9月版本，属于同模型名下的自我迭代比较。

据B站UP主和Hacker News、Reddit社区的多源讨论，Hugging Face联合创始人发帖调侃“小幅更新”的说法，Hacker News相关帖子获得700多分，Reddit获900多赞，社区关注度远超官方口径。

Terminal Bench 是评估大模型在真实终端（shell）环境中执行多步骤任务能力的基准，任务包括文件操作、软件安装、脚本调试等，要求模型根据自然语言指令自主完成并验证结果。Program Bench 由 Meta 提出，要求模型从零开始重建整个软件项目，考察代码生成、架构设计与调试的综合能力。Deep SWE 则聚焦长周期、真实代码仓库的工程任务，模拟开发者日常的 issue 修复与功能迭代。这三个基准共同指向“智能体（Agent）”能力——即模型能否像人类工程师一样，在开放环境中规划、执行并自我纠错，而非仅完成单轮问答。

参数辨析：763B不是扩容，是统计口径变了

很多人看到新版本参数从5520亿变成7630亿，第一反应是模型扩容。这个理解需要纠正。

对比两版模型卡可以发现：9月版本的页面侧栏已明确标注“Model Size 763B Params”，即9月版本的总权重就是7630亿。它由三部分组成——5520亿的主干、约1960亿的记忆模块，以及视觉编码器。9月版宣传页写的是“552B Backbone Parameters”，强调的是主干参数。

所以763B不是扩容，而是这次将口径从“主干参数”切换为“全部权重”。架构本身没有变化，本质上是一个新的后训练检查点，权重继续以MIT协议开源。

模型参数统计口径 的差异常导致误解。通常“参数量”指模型中可训练权重的总数，但不同厂商在宣传时可能只强调主干网络（Backbone）的参数，而忽略记忆模块、视觉编码器等附加组件。DeepSeek^广告 9月版本宣传的“552B Backbone Parameters”即仅指主干，而模型卡侧栏标注的“763B Params”才是全部权重。这种口径切换并非架构扩容，而是信息披露维度的变化。后训练检查点 指在预训练模型基础上，经过指令微调、强化学习等后训练阶段得到的版本，权重结构不变，但行为策略已更新。

冷眼看待：自曝分数、口径差异与消失的旧项目

尽管分数亮眼，但有几个问题需要冷静看待。

第一，缺乏第三方验证。 三个核心分数均为DeepSeek自曝，发布仅一天，尚无独立机构复现。

第二，口径差异影响横向对比。 Terminal Bench 4.0的42.3分超过了GPT5.6 Soul和GLM5.3，但距离Claude Opus 5.5的64.8分仍有22分差距。Program Bench的29.1分使用的是“Almost”口径——9次测试中5次通过即算通过，该基准发布时所有模型均为零分。第三方用最严格的“Fully”口径测试9月版本时，通过率仅为0.5%。Deep SWE的77分则需要在排除Meta自曝79分的MuseWonder后才算第一。

第三，旧强项集体消失。 9月成绩单上的9个项目——Codeforces、TB2.1、GPQA、Cybergym等——在本次更新中集体缺席。这是否意味着智能体特化导致了传统基准回退？官方未作说明，只能标记为待观察。

基准测试的“Almost”与“Fully”口径 是评估严格程度的差异。“Almost”口径允许模型在多次尝试中部分通过即算成功（如9次中5次通过），而“Fully”口径要求每次尝试均通过。这种差异会显著影响分数横向对比的公平性。第三方复现 是AI基准测试公信力的关键，指独立机构使用相同测试集与评测脚本验证厂商公布的分数。缺乏第三方验证时，自曝分数可能因测试环境、提示词工程或数据泄露而偏高。旧强项基准缺席 可能意味着模型能力特化导致通用能力回退，也可能是厂商选择性披露有利结果，需结合后续独立评测判断。

成本账：速度翻倍，Token消耗降低

这次更新中最实在的改进在成本侧。官方原话是“缩短任务执行时间与输出长度”。独立实测显示，同样任务下Token输出比旧版减少2.5倍，整体节省20%。

具体数据：跑一个任务耗时7.4秒，花费不到2美分；旧版需要16.8秒，耗时多一倍以上，费用反而略高。推理力度调到最低档也终于变得可用。

API名称保持不变，仍为DeepSeek Flash，价格也不变：错峰时段每百万Token输入0.15元、输出0.6元，峰值时段翻倍。官方将这一改进称为“性能与成本的帕雷托改进”。

本地部署：开源不等于免费午餐

763B全量FP8权重分为48个分片，合计约510GB，仅下载就需要相当时间。社区共识是消费级硬件难以承载。量化路线可参考9月版本的经验：4比特量化相对稳定，3比特会出现死循环。64GB内存的Mac顶配跑2比特量化，推理速度也只有每秒几个Token。

本地玩家目前正在等待Unsloth的量化包。对绝大多数用户而言，使用API仍然是更务实的选择。

FP8 量化 是一种将模型权重从高精度（如FP16/BF16）压缩到8位浮点数的技术，可大幅减少显存占用与传输带宽，但可能带来轻微精度损失。4比特/3比特量化 进一步压缩权重，4比特通常能在消费级硬件上保持可用性，而3比特可能导致推理退化（如死循环、重复输出）。分片下载 指将大模型权重切分为多个文件（如48个分片），便于分布式下载与加载，但总大小仍决定存储与内存门槛。763B全量FP8权重约510GB，远超消费级显卡显存，因此本地部署需依赖量化压缩或云端API。

节奏成为武器：搜索接口与模型更新的组合拳

同一天上午，DeepSeek还开放了搜索接口：5元1000次调用，11月1日前免费。模型更快更便宜，联网搜索的成本也降了下来，Agent所需的水电煤正在一次配齐。

9月首发、10月调校，同一个名字、同一套编组、价格不变，每月换一次大脑。版本号直接写日期这个动作本身就在传递信号：更新节奏已经成为竞争武器。下一班车何时到站？从时刻表来看，不需要等太久。