DeepSeek v4.1 Flash评测：0.44美分挑战GPT-6.1

DeepSeek 悄然发布了一个新的 Flash 检查点（内部代号 1017），海外科技频道评测后直呼"疯狂"。这款被官方称为"小版本升级"的模型，却在多项基准测试中逼近甚至超越 Claude Opus 5、GPT-6.1 Sol 等前沿模型，而成本仅为其零头。

本文基于 YouTube 频道的一手实测视频，梳理这次更新的真实表现、定价策略与值得警惕的细节。

基准测试：小升级还是大跨越？

据该视频作者观察，从上一个检查点到 v4.1 Flash 的基准分数出现了"巨大的跃升"。在 DeepSuite v1.1（聚焦真实软件工程与编码任务）上，它不仅超过了此前的中国前沿模型 Kimi K3 和 GLM 5.3，甚至在部分主要基准上击败了 Claude Opus 5，包括自动化基准、Humanity's Last Exam 和 AlexBench。

不过这里有一个关键前提需要说明：视频指出，DeepSeek^广告 v4.1 Flash 在测试中实际使用了 Claude Code 的 harness（测试框架），而非 DeepSeek 自己的框架。作者对此直言"这挺让人困惑的"。这意味着部分跑分成绩的归因需要谨慎——模型能力与外部框架的贡献难以完全分离。

据作者分析，几个月前 Fable 5 还是前沿标杆，随后 Opus 5 全面超越，而现在 Flash 版本已经"惊人地接近"新的 Opus 5。考虑到这只是一款低价模型，这一进步幅度确实超出预期。

Humanity's Last Exam 是由 Scale AI 与非营利组织 Center for AI Safety 联合推出的高阶推理基准，于 2025 年初发布。它包含约 3000 道由全球学者编写的专家级题目，覆盖数学、物理、化学、生物、历史、法律等数十个学科，题目形式以选择题和简答题为主，且刻意设计为无法通过检索直接作答，要求模型具备深层次的多步推理能力。由于难度极高，即便是当时最前沿的模型准确率也普遍低于 10%，因此被视作区分「顶尖」与「优秀」模型的试金石。文章中 Flash 在该基准上的表现被拿来与 Opus 5 对比，说明这一分数已进入第一梯队区间，但需注意题目抽样与提示方式会显著影响得分。

AlexBench 则是一个相对较新的自动化评估集合，侧重于代理式（agentic）任务与真实工作流中的多步骤操作，例如读取文件、调用工具、执行代码并校验结果。与传统的静态问答基准不同，AlexBench 强调端到端完成度，更贴近实际生产使用场景。这类基准对测试框架（harness）的依赖尤其明显——工具调用格式、重试策略、上下文管理方式都会直接影响最终得分，这也是文章中反复强调「归因需谨慎」的技术原因。

Harness（测试框架） 指围绕模型构建的一整套评测或运行脚手架，通常包括提示词模板、工具调用协议、多轮对话管理、代码执行沙箱、结果解析与评分脚本等。同一个模型在不同 harness 下跑同一基准，分数可能相差数个到十几个百分点，因为框架决定了模型能「看到」什么、能「调用」什么、失败后是否重试。Claude Code 是 Anthropic 为自家模型优化的编码代理 harness，其工具定义、系统提示与上下文压缩策略都针对 Claude 系列调校过。将 DeepSeek v4.1 Flash 接入 Claude Code harness 跑分，相当于让一个非原生模型借用对手的「驾驶舱」参赛：成绩既反映模型本身的推理与编码能力，也混入了框架适配带来的增益或损耗，因此严格意义上的横向对比需要同框架、同提示、同采样参数才成立。

定价：分时计费，仅为对手零头

作为中国模型，低价是预期之中的，但具体数字依然有冲击力。v4.1 Flash 采用峰谷分时定价：

• 高峰时段：输入 $0.3 / 百万 tokens，输出 $1.2 / 百万 tokens
• 非高峰时段：输入 $0.15 / 百万 tokens，输出 $0.60 / 百万 tokens

也就是说，高峰价格是非高峰的两倍。即便如此，与 GPT-6.1 Sol、Gemini 4 Argon 等美国前沿模型相比，成本差距仍是数量级的。

视频中最具说服力的对比是：同样的任务，GPT-6.1 Sol 与 v4.1 Flash 生成质量相近，但后者只花了 0.44 美分。用不到一美分的成本，产出了与顶级闭源模型观感相当的结果。

生成能力实测：动效设计逼近 Opus 5.5

视频作者重点测试了动效图形（motion graphics）生成——这向来是 AI 模型的短板，此前只有 Opus 5.5 能做出令人惊艳的效果。

用单条提示词生成的动效，作者评价"与 Opus 5.5 非常接近，不完全一样，但惊人地接近"。与刚发布的 Gemini 4 Argon 做并排对比时，整体输出质量也很接近；Gemini 4 Argon 在色彩丰富度上略胜一筹，但通过调整提示词，v4.1 Flash 可以达到相似效果。

你可能没注意到速度表现：整个动画通过 API 调用生成，成本低于 0.3 美分。虽然 Gemini 4 Argon 的标称速度更快，但在这次具体创作中，v4.1 Flash 反而先完成了动画。作者强调，这得益于"正确的 harness 和 API 调用方式"。

速度与部署：250 tokens/s 与本地运行

在生成速度上，v4.1 Flash 约为 250 tokens/s。作者对比称，它比 GPT-6.1 Sol 的超快模式更快，也快于 GPT-6 Astra，甚至比 Claude Opus 5.5 新增的快速模式还快。

部署方面，1017 开放权重版本已在 Amazon 上线，模型规模为 7630 亿参数。如果拥有 DGX Spark 硬件，可以在本地运行，但据作者估算需要 2 到 3 台 DGX Spark 系统。

DGX Spark 是 NVIDIA 推出的小型桌面级 AI 计算设备，基于 GB10 Grace Blackwell 超级芯片，定位为开发者本地运行大模型的入口级硬件。其统一内存架构提供约 128GB 的可用内存池，可支撑数百亿参数级别模型的推理，但面对 7630 亿参数的模型时，单台设备无法完整加载权重。文章提到需要 2 到 3 台 DGX Spark，本质上是借助多机互联将内存池拼接，以容纳全部参数并进行张量并行推理，这会带来额外的通信开销和部署复杂度，因此「本地可运行」更接近实验性演示，而非开箱即用的生产方案。

开放权重（open weights） 与开源是两回事：它指模型训练完成后的参数文件可公开下载，允许用户自行部署、微调甚至商用（受许可证条款约束），但训练数据、代码和训练过程未必公开。文章称 1017 版本开放权重已上线 Amazon，意味着开发者可以通过云市场或自托管方式获取权重，这为成本敏感型应用提供了除 API 之外的第二条路径，也解释了为何社区能在官方发布后迅速进行独立复现与评测。

一个值得追问的问题

视频结尾抛出了一个颇具挑衅性的观点：当一款来自中国的廉价模型能做到接近甚至局部超越 Opus 5、GPT-6.1 Sol 和 Astra 的质量，同时速度更快、价格低一个数量级，我们是否还需要那些昂贵的前沿模型？

这个问题没有标准答案。闭源旗舰模型在复杂推理、生态整合与稳定性上仍有优势，而 Flash 的测试成绩又依赖外部 harness，实际生产环境的表现仍需更多独立验证。但至少从这次更新看，DeepSeek 用"小版本"的名义，交出了一份不容忽视的答卷。作者本人也表示，对即将到来的 Pro 版本"非常期待"。

对于开发者和企业来说，务实的信号是：在成本敏感、对延迟敏感的批量生成场景中，这类高性价比模型已经具备替代部分旗舰调用的现实可能。