DeepSeek 又偷偷升级了：我实测了 V4.1-Flash-1017，一句话生成可玩游戏，但有个坑会吃掉你 90% 的预算

结论先放前面。 这次升级是真的，但不是全面变强，是"更会用工具、更少废话"。基础代码能力没退化，长上下文和多模态稳，许愿式编程确实能跑通。代价是------它会把大量 token 烧在思考上，你不给足输出预算，代码会在第 1738 个 token 处被硬生生截断。

一、没有发布会，周六傍晚直接上架

10 月 17 日 18:07，DeepSeek 把 V4.1 Flash 更新到了 V4.1-Flash-1017。网页端、App、API 三端同步切换，没有发布会，没有预热，只有一个版本号。

API 名字没变，还是 deepseek-flash。价格也没变：峰时输入 $0.30/输出0.30 / 输出$ 0.30/输出1.20 每百万 tokens，谷时减半。换句话说，你什么都没做，模型已经被换掉了。

官方的说法是"性能---费用的帕累托改进"：分数涨了，任务运行时间和输出长度反而降了。

从官方模型卡看，涨幅确实是系统性的：

基准测试	1017	上一版	变化
Terminal-Bench 4.0	42.3	31.2	+11.1
ProgramBench	29.1	20.3	+8.8
Apex Bench v1.1	72.1	64.6	+7.5
Automation-Bench v1.0.6	60.5	54.8	+5.7
HLE（无工具）	42.6	36.8	+5.8
Agents' Last Exam	35.4	31.8	+3.6
DeepSWE v1.1	77.0	74.2	+2.8
NL2Repo-Bench	68.2	65.4	+2.8

注意两件事。

第一，这些全是 DeepSeek 自报，用自己选的 harness 跑的，没有第三方复核。Terminal-Bench 4.0 用的是 Claude Code 的框架，DeepSWE 用的是 mini-swe-v2。换个框架，数字会变。

第二，它在部分项目上确实超过了 Claude Opus 5（DeepSWE 77.0 vs 74.0、Automation-Bench 60.5 vs 50.3），但在 Terminal-Bench 4.0（42.3 vs 51.8）、ProgramBench（29.1 vs 37.0）、HLE（42.6 vs 56.3）上还差得远。所谓"超越旗舰"，是挑着项目说的。

DeepSeek V4.1-Flash-1017与旗舰模型对比

二、我的测试环境（先说清楚，免得你误解）

所有测试跑在本地机器上，通过一个本地网关调用 cn:deepseek-v4.1-flash。官方在 10 月 17 日已把 API 全量切到 1017，所以这个通道拿到的应该是新版本------但我要诚实说明：响应体里没有版本号字段，我无法从技术层面 100% 确认。

对照组是 cn:deepseek-v4-pro，同网关、同参数、同温度。

测试条件：

推理档位统一 high，温度 0.1--0.3
单机单请求，没有做并发压测
长上下文只压到约 7 万 token，没压到官方标称的 100 万极限
计费字段是网关返回的 credit，不等于官方人民币账单，我只用它做相对比较

一句话：这是一次单机、可复现、有明确边界的实测。不是大规模基准。

三、实测一：一句话让它写个游戏，它真写出来了

这是这次更新最核心的卖点，官方叫"许愿式编程"。

我给的提示词很短，一共 6 条要求：

单文件 HTML 打砖块游戏，canvas 实现。方向键和鼠标都能控制挡板，空格发射，砖块有不同分值，清空进入下一关且球速递增，显示得分/关卡/生命，P 键暂停。不引用任何外部资源。只输出 HTML。

它一次生成，16,735 字节，纯手写 canvas，没有任何外部依赖。

然后用无头浏览器真的打开跑：

Canvas 800×600，绘制区域非空率 100%
控制台 0 条报错
按空格发射、按方向键移动后，球在飞、砖块被打掉、得分从 0 涨到 120
配色、圆角、粒子效果、底部操作提示，全都有

截图在这里------右侧那排缺口就是被球打掉的砖块，右下角是响应了方向键的挡板：

整个过程耗时 71.7 秒，消耗 21,333 tokens，其中 15,349 是思考。

同一个 prompt 我也丢给了 V4-Pro，它也能跑通，但差距一眼能看出来：

	Flash-1017	V4-Pro
生成体积	16,735 字节	9,906 字节
耗时	71.7 s	118.3 s
计费（credit）	1.22	6.29
控制台报错	0	0
视觉	圆角砖块、发光球、粒子、底部操作提示	纯色方块、无圆角、无提示

Pro 版本能玩，得分能涨，砖块能消，但长得像 2010 年的教学 demo；Flash 版本直接是个能截图发朋友圈的产品。

同样一句"许愿"，Flash 交得更快、更便宜、还更好看。

这个结果说明什么？

说明"单 prompt 出一个能玩的小游戏"这件事，对 Flash 档位已经成立了。不是 demo 级别的成立，是你打开浏览器就能玩的那种成立。而且它不是在"能跑"这条及格线上勉强通过------它是把 UI、动效、提示都做全了。

但注意那个 15,349。

四、那个吃掉 90% 预算的坑

第一次跑这个测试，我给的输出上限是 16,000 tokens。

结果：14,262 个 token 花在 reasoning 上，只剩 1,738 个 token 写代码。HTML 写到 4,771 字节就被截断了，页面打开一片空白，canvas 是默认的 300×150，什么都没画。

finish_reason: length。

这不是模型的错，是我预算给少了。但这是一个非常容易踩的坑：

在 high/max 推理档下做代码生成，实际可用输出预算大约只有你设定值的 10%--15%。

社区里说的"别用 max，想得越多幻觉越多"，在我这里得到了另一种印证------不是幻觉变多，是思考把预算吃光了，交付物直接断在半截。

改成 48,000 上限之后，同样的 prompt，同样的模型，21,333 tokens 输出、finish_reason: stop、代码完整、游戏可玩。

实操建议：做代码生成或 Agent 任务，max_tokens 至少给 32,000，别按"我只要 500 行代码"去估。

五、实测二：基础能力没有退化

上一版 V4.1 Flash 被骂得最狠的是"变笨"。这一版至少在基础项上是稳的。

代码正确性：15 个隐藏单测，全过。

三道题：区间合并（6 个用例，含相邻、包含、空输入）、频率 Top-K（5 个用例，含并列排序）、订单结算（4 个用例，含不足 3 笔、同金额字典序）。Flash 15/15，Pro 15/15。

多轮 Bug 修复：一轮通过。

给一个有 3 个 bug 的 parse_size 函数（s[:-2] 切错单位、'3 KB' 带空格崩、单位大小写），7 个用例全挂。Flash 看完失败信息，一次改对，7/7。Pro 也是 7/7。

指令遵循：全过，但风格差异极大。

严格 JSON 输出（4 字段、枚举、20 字摘要、3 个不含数字的关键词、严格以 { 开头 } 结尾）：

Flash：353 tokens 完成，一次过
Pro：800 tokens 全烧在思考上，正文一个字没出 （finish_reason: length）。给到 4,000 上限后才交付，用了 1,096 tokens

同一道题，Flash 用三分之一的量交卷，Pro 想了三轮才动笔。

否定约束测试（120 字内、禁用"非常/极致/领先"、必须含"实测"、结尾必须是问句）：两个模型都 4/4 全过，Flash 写了 48 字，Pro 写了 66 字。

六、实测三：7 万字文档，4 个问题，全对

我造了一份 100,834 字符（约 69,540 tokens） 的内部周报汇编，800 期，埋了 4 个需要跨段检索的事实，其中 1 个是文档里根本不存在的信息，专门测幻觉。

四个问题：

问题	结果
服务器采购预算最终多少万？	✅ 87.5 万元，第 47 期
王工离职后交接给谁？	✅ 李工，第 138 期
数据库主从切换失败的根因？	✅ DNS TTL 3600 秒，第 613 期
客户 B 的年度合同金额？	✅ 明确回答"文档未提及"

4/4，零幻觉。

更值得注意的是速度：4 次调用总共 23 秒，单次 7 万 token 的检索问答大约 5 秒。这个 prefill 效率是这一代架构（KV Cache 压到 890 字节/token）真正兑现的地方。

局限也要说：我没压到 100 万 token。7 万 token 属于"长"，不属于"极限"。官方标称的 1M 上下文在我这里没有被验证。

七、实测四：原生多模态，读数准确

生成一张四季度营收柱状图（Q1 1280、Q2 1640、Q3 1190、Q4 2050，Q4 用红色标注），直接以 base64 塞进去问三个问题：

哪个季度最高、数值多少 → Q4，2050 万元 ✅
Q1 和 Q3 差多少 → 90 万元 ✅
最高值用什么颜色标注 → 红色 ✅

3/3。这是 9 月 V4.1 Flash 就把视觉原生训进主干的能力，1017 没退步。

Pro 这边没法比------deepseek-v4-pro 的 input_modalities 只有 text。

八、实测五：效率差距是数量级的

固定两个任务（写 500 字评测开头 / 从日志里归类 ERROR），各跑 2 次取均值。

指标	V4.1-Flash-1017	V4-Pro	差距
写作总耗时	9.16 s	19.63 s	Flash 快 2.1 倍
写作输出 tokens	1,243	1,886	Flash 少 34%
写作计费（credit）	0.07	0.74	Flash 省 10.6 倍
日志分析总耗时	8.58 s	15.47 s	Flash 快 1.8 倍
日志分析计费	0.095	0.66	Flash 省 6.9 倍
吞吐（tok/s）	134--189	93--107	Flash 高 40--80%

首 token 延迟两者都在 1.5 秒左右，没有明显差别------瓶颈在网关和排队，不在模型。

按官方价换算，写 500 字（输出约 1,200 tokens、输入 50 tokens）的理论成本是 ¥0.005，谷时。这个价位，你可以拿它做几乎所有"高频但不值钱"的活：批量改写、结构化抽取、日志归类、检索后处理。

但速度没到官方宣传的 300+ tok/s。 我测到的峰值 189 tok/s，均值 150 上下。原因很可能是单请求 + 网关排队，不是模型本身。这一点我必须说清楚：你看到的 tok/s，很大程度上取决于你走哪条通道。

九、最值得说的一件事：Pro 会编数据

这个发现比跑分有意思。

同一个"写 500 字评测开头"的 prompt，Pro 输出更长（772 字 vs Flash 的 599 字），看起来更专业。但它写了这么一段：

"代码补全用 120 个内部 Python/TypeScript 片段，通过率 81%，比 V4 标准版低 6 个百分点；但首 token 延迟中位数 180ms，P95 210ms......32 并发压测时，这类错误率从单并发的 4% 升到 11%，可复现。"

它一个测试都没跑。这些数字全是编的。

而 Flash 在同一题下写的是：

"这次评测会围绕真实开发场景展开：代码补全与 diff 生成、函数调用参数合法性、JSON 结构化输出、长上下文检索......我们不会只报平均延迟，而会看 P50、P95 和超时率。"

它描述方法，不编结果。

这不是说 Flash 更聪明。这是说：输出更长、语气更自信，和"更可信"是两件事。 你让模型写"评测"，它很容易给你一篇看起来很专业的假报告。要数字，就得自己跑。

十、怎么用，怎么别踩坑

值得用的场景：

高频、短路径、对成本敏感的调用：结构化抽取、批量改写、日志归类、检索后处理
单 prompt 出原型：小游戏、单页工具、演示页面，一次能出可运行的版本
长文档检索：7 万 token 级别，5 秒出答案，4/4 准确率
带图的任务：图表读数、截图理解，原生支持，Pro 反而不行

别指望它的场景：

高难度终端任务、超长链路 Agent（Terminal-Bench 42.3 对比 Opus 5 的 51.8，差距是实打实的）
需要严格一次成型的大型重构
任何你不打算复核数字的"分析报告"------它会编

三条实操建议：

max_tokens 给足。 代码生成至少 32,000，否则思考会把预算吃光，交付物截断。
结构化输出必须自己校验。 别信"它说它输出了 JSON"，json.loads 失败就是失败。
要数字，自己跑。 模型写的评测数据，一律当虚构处理。

附：复现方式

测试脚本、原始响应、生成物都在项目目录里：

bash 复制代码

deepseek-v41-1017-review/
├── eval/           # 6 组测试脚本，可直接跑
├── data/           # 原始 JSON 响应与判分结果
├── assets/         # 图表、生成的游戏、截图
└── video/          # 评测视频

复现只需要改一个环境变量，指向你自己的端点：

bash 复制代码

export DS_BASE="http://你的端点/v1/chat/completions"
export DS_KEY="你的 key"
python eval/test_basics.py

代码题、Bug 修复、长上下文、多模态、效率对比都能独立跑，不依赖特定平台。

一句话总结：

V4.1-Flash-1017 是一次扎实的工程迭代------它把"少说废话、多干活"做进了模型里，价格没涨，能力有涨。但它不是全能选手，而且它比上一代更愿意把预算花在思考上。给足空间，它很好用；按老习惯卡着 token 上限，你会收到半截代码。

测试时间：2026 年 10 月 17 日--18 日 测试模型：V4.1-Flash-1017（对照组 V4-Pro） 单机单请求，未做并发压测，长上下文未压至 1M 极限

信息来源

官方

DeepSeek 官方公告（V4.1-Flash 发布）：www.deepseek.com/zh/news/dee...
DeepSeek API 文档（1017 更新说明）：api-docs.deepseek.com/news/news10...
模型权重与技术报告：huggingface.co/deepseek-ai...

媒体报道

澎湃新闻《"许愿式"编程能力升级！DeepSeek 上新：开放自研搜索 API，千次调用仅 5 元》：www.thepaper.cn/newsDetail_...
中国证券网《DeepSeek 新模型：更聪明，还更省钱》：www.cnstock.com/commonDetai...

说明：官方基准数据均为 DeepSeek 自报，未经第三方独立复核；本文的实测数据为本地单机结果，测试脚本与原始响应已保留。