DeepSeek-V4.1-Flash-1017 上手实测：3D 直出，效果到底如何

大家好，我是程序员天天困。

DeepSeek 又搞突袭。10 月 17 日，DeepSeek-V4.1-Flash-1017 直接上线，网页、App、API 一起换，连个预告都没有。

我看到消息的第一反应是：又来？再一看它说能从零建项目，行，那别测 Todo List 了，直接上 3D。

于是我花了半天，让它做了三个东西：一辆会飞的特斯拉、一个 3D 版《千里江山图》、一台会折叠的掌机；外加一个热身用的雨夜公交站。

四个都做出来了。可是没有一个满足我的预期。

不是它不会写代码。是它写完了，自己看不出哪儿不对。

一、先别急着看 77%：这版到底更新了什么

这次 DeepSeek 把 V4.1 Flash 升到了 V4.1-Flash-1017，网页、App、API 同步切换。API 的模型名没变，还是 deepseek-flash；旧名 deepseek-v4-flash 也还能调，只是背后换成了 1017。

发布前两天，DeepSeek 刚经历近 5 小时服务中断，官方按 API 用户 7 天内的 API 消耗金额全额返还赠金；而这次 1017 上线也几乎没有预热。

据 DigitalToday 转引彭博社的报道，官方在 X 上的说法很克制：这是对 9 月 V4.1 Flash 的一次小更新，基准更高、任务完成更快、回答更短。报道还把它放进了"中国开源权重模型 vs 美国闭源模型"的竞争叙事里。

这次更新最容易被记住的是三件事：跑分涨了、任务便宜了、官方开始讲"许愿式编程"。

许愿式编程（Wish-Driven Programming）：用尽量少的需求描述，让模型自己完成规划、编码、运行和修改，直接交付一个能跑的项目。类比的话，以前你是在带一个需要逐行 review 的实习生，现在更像给外包发了一份一句话需求书。

先看官方给的数字。11 项基准全部上涨，其中和编程 Agent 最相关的几项是：

项目	9 月版 V4.1 Flash	V4.1-Flash-1017	变化
DeepSWE v1.1	74.2	77.0	+2.8
Terminal-Bench 4.0	31.2	42.3	+11.1
ProgramBench	20.3	29.1	+8.8
HLE（无工具）	36.8	42.6/44.0*	+5.8
Apex Bench v1.1	64.6	72.1	+7.5

这张表有几个脚注很关键：Terminal-Bench 4.0 跑在 Claude Code 测试框架里，DeepSWE v1.1 跑在 Mini-SWE-V2 里，HLE 的 44.0* 只测了纯文本子集。换成别的框架、别的子集，数字不一定一模一样。

这些数字都是官方自报；1017 目前还没有 AA/Vals 的独立复测，第三方跑分要等几天。

所以 77% 的正确读法是"在这套框架、这套配置下，它拿到了 77%"，不是"所有编程任务都能过 77%"。

再看对手。Claude Opus 5 在 HLE 上是 56.3，Terminal-Bench 4.0 是 51.8，这两项仍然明显领先；DeepSeek 赢在 DeepSWE 77.0 对 74.0、Automation-Bench 60.5 对 50.3、Apex Bench 72.1 对 65.8。不是全面碾压，是各有胜负------Claude 在 ProgramBench、NL2Repo、Chartography、BabyVision 上仍然领先。

这轮官方还放了一张性能-成本图：横轴看单任务成本，纵轴看 Pass@1。1017 的点在左上角：通过率最高，最高档单任务费用约 1.3 元；9 月版最高档约 3.3 元。

帕累托改进（Pareto Improvement）：在不牺牲某一项指标的前提下，把另一项指标也变好。这里指的是通过率涨了、单任务成本反而降了；不是所有场景都成立，只在官方选的这组任务和框架里成立。

图好看归好看，我更关心另一件事：这玩意儿到底能不能直接拿来干活。官方演示里的故宫、赛车、传送门 2 和 Valley of Ages 确实惊艳；网上也有不少用户直出的飞车、蜜蜂、悬浮岛，效果同样能打。可这些大多是"开放题材"的胜利------考的是氛围、构图和脑洞。换成有明确现实参照、结构约束的题目，第一版就没那么稳了：比例、朝向、物理、相机，第二眼才露馅。

顺带说一句，这次还开放了自研搜索的 Search 和 Fetch 接口，都是 5 元 / 千次成功请求；在 DeepSeek Harness、Claude Code、Codex 里通过服务端工具调用目前不计费，2026 年 11 月 1 日 00:00（北京时间）开始收费。权重也开源了，Hugging Face 和 ModelScope 都能下；模型卡标注 MIT 许可。

对开发者来说，这比跑分实在：搜索、抓取、写代码、跑测试，开始收拢到同一套工具链里。

二、这次不测 Todo List：4 个项目，难度逐级加码

测试环境是 DeepSeek Harness 本机 Web 端，模型选 deepseek-flash（也就是 1017），默认思考模式，temperature 用默认值，未额外联网；三个 3D 项目都在 2026 年 10 月 18 日跑完，常规上下文，没有塞满 1M。每个任务第一轮只发一次提示词，首屏截图前不手动改代码；截图用本机 Chrome，1440×900。

这次我故意把难度拉高：

项目	考什么	难度
雨夜公交站 A/B	提示词颗粒度、元素关系	热身
3D 飞行特斯拉	3D 产品、悬停/喷流/落地	中
3D《千里江山图》	大场景构图、层次、材质、动效	高
折叠掌机	产品结构、折叠机构、按键布局	高

说明一下：公交站和《千里江山图》在第一次截图后，我手动改了几行代码（CSS 和相机参数）。不是模型自己修的。我想看看"人来收尾"到底要动多少地方，所以把修复前后的图都留了下来。

三、热身：一句话 vs 四要素，雨夜公交站

A 版我故意只写一句话，连角色和验收标准都省了，只留了"单文件 HTML"这个输出约束：

做一个雨夜公交站的网页场景，要好看，单文件 HTML。

出来的东西是这样：

说实话，不难看。深夜蓝、钠灯、玻璃站台、湿地反光都有，雨丝也在动。但它像一张通用的"夜雨壁纸"：站台是空的，没有等车的人，没有线路信息；除了一块"末班车 23:47"的牌子，几乎没有能让人记住的细节。

一句话的活儿，大概就是个 70 分的氛围：能看，但记不住。

B 版我把要求写成了四要素：

角色：你是一名擅长氛围叙事的前端创意开发者。
背景：我在做一期"城市夜归人"专题页，首屏要一张雨夜公交站的静态海报，最终会截成 16:9，1440×900 下必须成立。
任务：用单个 HTML 文件（内联 CSS/JS，不用外部图片、字体、库）实现场景，并同时满足 5 条约束：
1. 构图：站台在左三分之一，马路向右延伸，消失点在右 70%，站牌在右三分之一；
2. 必含元素：带雨痕的玻璃顶棚、长椅、三行可读的路线牌（夜1路/夜2路/机场专线）、一个撑伞等车的乘客剪影、地面积水倒影、一盏会轻微闪烁的钠灯；
3. 色彩：深夜蓝 #0B1220、钠灯暖橙 #FFB25E、站牌电光蓝 #2E6BFF、湿地 #141C2B，全画面不超过 6 个主色；
4. 动效：雨丝下落、钠灯每 4-6 秒闪一次、积水细微涟漪；prefers-reduced-motion 时全部静止；
5. 性能：不用 canvas，DOM 不超过 120 个节点，1440×900 不掉帧。
输出格式：
A. 完整可运行代码（一个代码块）
B. 自检清单：逐条对照 1-5，写"满足/不满足 + 证据"
C. 运行说明：一句话。

这次它把清单上的东西几乎都填了：三行路线牌、玻璃雨痕、钠灯、积水、长椅、站牌，连"夜1路/夜2路/机场专线"都写进去了。

然后乘客变成了这样：

我盯着这张图看了半天，脑子里只有一句话：这也叫撑伞的人？

问题不在"它不会画人"。它画了伞面，也画了身体，代码里连伞柄都画了。问题是它把伞面写成了一个向上的三角形 clip-path，人体又叠在三角形下面，远看就是一支箭头。

毛病就出在这儿：清单上的东西它都填了，但填完不检查它们之间的关系。

提示词写的是"一个撑伞等车的乘客剪影"，它理解成"一个三角形 + 一个竖条"；至于这两块拼起来像不像人，它没有这个空间常识。

我没让它重跑，自己改了三处 CSS：伞面从三角形改成半圆，人体从长椅中间挪到站台边缘，补了腿、修了头。前后十几分钟。

改完能看了，但它离"好看"还差得远：伞面的弧度有点硬，人物的比例也有点僵。这个差距不是提示词能解决的，得有人盯着画面调。

这一轮下来，我的感觉是：一句话能买到氛围，四要素能买到细节，但东西摆得对不对，还得人看。你要求写得越细，它越容易"每条都做到"，但做到不等于做对。

四、3D 飞行特斯拉：喷流很唬人，车身像火箭卡丁车

10 月 15 日，特斯拉新一代 Roadster 的"飞行"演示刷屏：冷气推进器、悬停、跳过障碍、像火箭一样降落。演示前夜，特斯拉车辆工程副总裁 Lars Moravy 在 Hagerty 和 Top Gear 的专访里把底牌摊开了：SpaceX 冷气推进器，高压氮气，不燃烧；Rocket 版 600 升储气、约 5 秒推进、充满要 6-7 小时，而且是一次性的，用完得去专用氮气站补气；2028 年才计划投产。

这离"量产飞行汽车"还很远，更像一次工程验证。但画面太适合做 3D 测试了：产品、喷流、悬停、落地，一个都不少。

提示词：

角色：你是一名 3D 产品可视化/特效开发者。
背景：特斯拉新一代 Roadster 的"飞行"演示很火，我想做一个网页版 3D 概念图：一辆带冷气推进器的 Roadster 悬停在发射台上，可旋转查看。
任务：用单个 HTML 文件 + Three.js（本地 three.min.js）实现：
1. 一辆低多边形 Roadster：楔形车身、座舱、四个轮子、车尾四个冷气推进器；
2. 悬停动画：车身离地 2 米，四角推进器向下喷白色冷气，地面有反冲粒子；
3. 相机可拖拽旋转、滚轮缩放；空格切换"悬停/落地"；
4. HUD：高度、推力、剩余氮气 5.0s；
5. 夜景发射台、冷白光、薄雾；1440×900 下 60fps，不用外部贴图。
输出格式：完整代码 + 自检清单（车身比例、推进器位置、喷流方向、落地姿态）+ 默认相机参数。

这里得先认个错：我的提示词第 1 条写"车尾四个"，第 2 条又写"四角推进器"，它放 6 个是在同时满足两条------"车头多了两个"有一半是我的锅。

它交出来的画面：

第一眼挺唬人：红色车身、发射台、HUD、六道白色喷流、粒子反冲，氛围是对的。

但细看，它不是 Roadster，是一辆"火箭卡丁车"：

• 车头是一个巨大的红色圆锥，像把火箭头插在车头上；
• 座舱是一个黑色方块，没有挡风玻璃的坡度；
• 轮子像四个圆柱，直接挂在车身外面；
• 推进器一共六个，位置也不对：车尾四个挤在一起，车头又多了两个；
• 喷流是六根白色尖刺，不像冷气，像礼花；
• 车身比例是"箱货"，不是"跑车"。

3D 这套它确实熟。悬停、喷流、粒子、HUD、发射台都做出来了，也按提示词做了白色冷气、没有加尾焰。可它没主动要参考图，也没核对 Roadster 的比例、推进器位置和喷流形态------这次我没给参考图，它只能凭训练记忆拼一个"跑车"。

还是公交站那个毛病：东西都摆上去了，但摆得不对。只不过 3D 产品的验收更狠------缩略图能骗人，比例骗不了。

五、3D《千里江山图》：相机一摆错，整幅画就散了

第二个硬项目是 3D 版《千里江山图》。选它，是因为它同时考构图、层次、材质和动效，不是堆几个模型就能糊弄过去的。

提示词：

角色：你是一名 Three.js 场景/数字艺术开发者。
背景：我在做"古画 3D 重构"系列，第一张是《千里江山图》，需要放在网页首屏，可拖拽旋转。
任务：用单个 HTML 文件 + Three.js（本地 three.min.js）做 3D 青绿山水：
1. 场景必含：层叠山体、开阔水面、石桥、亭台、渔船、树林、雾带、飞鸟；
2. 构图：默认视角要看到"山---水---桥---船"的层次，相机不能穿模；
3. 色彩：青绿山水，纸色天空，远山淡、近山浓；
4. 动效：水面微动、渔船缓慢移动、飞鸟掠过；拖拽旋转、滚轮缩放；
5. 1440×900 下 60fps，不用外部贴图。
输出格式：完整代码 + 自检清单（逐条写满足/不满足）+ 默认相机参数。

第一次直出，打开就是一座山怼脸：

相机在山体里。不是"构图不好"，是"相机穿模"这个最基础的问题，它自己没发现。

我把相机半径从 46 拉到 95，目标点往下压、往后挪，才看到全貌：

能看出是山水：有山、有船、有亭子、有桥。但也就是"能看出"：

• 水面几乎看不见，河和天一个颜色；
• 船像纸片，亭子像积木，桥像一条白线；
• 山体全是同一种圆锥，远近只靠雾在撑，缺少主动的浓淡和留白；
• 雾带像贴上去的白色贴纸，不像空气。

网上刷到过一个 3D 清明上河图的案例，虹桥、街市、游船都能看清；我这版把桥做成了白线，船做成了纸片。不是我提示词写得差，是"堆出来"和"排好"之间，还隔着一个美术导演。

上百个物体、相机轨道、船在动、鸟在飞，它都做得到。可它分不清哪个该在前、哪个该虚、哪个该暗、哪个该留白。

说白了，还是那个问题：东西都堆出来了，但堆得不像一幅画。只不过 3D 的代价更高------2D 画错了还能糊成风格，3D 相机一摆错，整幅画就散了。

X 上有个对比测试也很说明问题：同一个"能抓、能拉、能扔的果冻小熊"，Claude Opus 5.5 那组摆着不动时和 1017 差不多，手一碰就分出高下------1017 拉一下会变成薄片，眼睛会飘到脸外，捏动的手感也很糟。成本这边，1017 走非峰时价约 0.32 美元、54 分钟；对面约 7.8 美元、61 分钟。纯算 API 账，1017 便宜 20 多倍；但如果你手上已经有 Claude 订阅，账又是另一回事。

原图是 X 上的第三方测试，我没搬；原帖来自 @wquguru，这里只转述结论。

六、折叠掌机：它能做出产品图，但做不出能上手的产品

第三个硬项目是折叠掌机。选它，是因为它不只考"像不像"，还考"结构对不对"：铰链在哪、往哪折、按键该长在哪、屏幕该朝哪。

提示词：

角色：你是一名 3D 产品可视化开发者。
背景：我在做一个折叠掌机的概念发布页，需要一张能旋转的 3D 产品图，后面还要做折叠动画和爆炸图。
任务：用单个 HTML 文件 + Three.js（本地 three.min.js）做一台折叠掌机：
1. 左右两半机身、中间铰链、两块屏幕、D-pad、双摇杆、ABXY、肩键；
2. 空格切换折叠/展开，E 切换爆炸图；鼠标拖拽旋转、滚轮缩放；
3. 屏幕要有 UI（左屏游戏画面，右屏 HUD），按键位置要符合握持逻辑；
4. 材质：深灰机身、金属铰链、屏幕发光；展台 + 柔光；
5. 1440×900 下 60fps，不用外部贴图。
输出格式：完整代码 + 自检清单（重点检查折叠方向、按键位置、屏幕朝向）+ 默认相机参数。

展开图第一眼看着挺完整：

机身、屏幕、摇杆、铰链、展台、柔光都有，甚至有点产品发布图的味道。缩略图发出去，大概率能骗到几个赞。

但细看就露馅了：

• 屏幕 UI 是按 4:3 横屏画的，硬拉到竖屏上，比例全歪了------HUD 被拉成长条，游戏画面也变形；
• D-pad 和摇杆长在屏幕里，不是握持区；
• 白边过厚，像贴上去的；
• 铰链就是一根外露的金属棍；
• 掌机是平躺的，没有握把，拿不起来。

折叠之后更明显：

右半绕铰链翻了 180°，又被平移了一整个机身宽度，结果不是合上，而是翻面平摊到左边：背板朝上、屏幕朝下，铰链被甩到接缝外侧；左半的屏幕和按键还露在外面。它做出了"翻转"，但没有"合上"这个状态，更没做出"折叠"这个结构。

网上刷到过一台 iPhone Duo 的 3D 案例，折叠、展开、拆解都做出来了；我这台掌机也能翻，但翻完是平摊的，不是合上的。同样的动作，结构对不对，一眼就能看出来。

折叠掌机这个实验最打脸：它能做出产品图，但做不出"能上手的产品"。不是图不够精致，是结构不对------翻完没合上、铰链甩在外面、按键长在屏幕里。

产品图不是看着像就行，得能上手用。屏幕朝向、按键位置、折叠方向、铰链位置，任何一个错了，图越精致，越容易误导。

七、跑分之外：便宜六成是怎么算出来的

"便宜六成"这句话，很容易被误读成 API 降价。不是。

官方价格页上，deepseek-flash 的单价没变：

计费项	空闲时段	高峰时段
输入（缓存命中）/ 百万 tokens	0.02 元	0.04 元
输入（缓存未命中）/ 百万 tokens	1 元	2 元
输出 / 百万 tokens	4 元	8 元

便宜的是"完成一个任务的总成本"。TechWeb 的测算是：DeepSWE v1.1 上，1017 最高档单任务约 1.3 元，9 月版最高档约 3.3 元，降了约六成；最便宜档不到 1 元。

原因不神秘：输出更短、任务跑得更快。官方这次特意强调"缩短任务运行时间与输出长度"，轮次和重试自然也会少一些。再加上空闲时段半价、空闲时段缓存命中输入只要 0.02 元/百万 tokens（高峰 0.04 元），重度 Agent 用户的账单会明显下来。

但别把"单任务 1.3 元"当成你的成本。你的任务如果输入 20 万 tokens、输出 2 万 tokens，高峰时段缓存未命中的账是：

• 输入：0.2M × 2 元 = 0.4 元
• 输出：0.02M × 8 元 = 0.16 元
• 合计：0.56 元

同样的量，空闲时段 0.28 元；如果输入全走缓存命中，输入费只要 0.008 元，合计 0.168 元。同一个任务，光时段和缓存就能差出三倍多------这和模型单价是两回事。

第三方这边，Artificial Analysis 给 9 月版 V4.1 Flash 的智能指数是 39，在 120 个模型里排第 9，智能指数单任务成本 0.49 美元（AA 页面当前口径），输出速度约 176 tokens/s（图里是 high 档；max 档约 227）。Vals AI 在 9 月发布时给它的成绩是 57.86%，56 个模型里第 15，单次测试约 0.30 美元；现在 Vals 页面是 51.32%（#26/49，$0.332/次），两个数别混着用。1017 目前还没有 Artificial Analysis 的独立排名；Vals 的 57.86% 也是 9 月版的成绩，不是 1017。网上流传的 AA 智能指数"45-46"只是猜测，不是实测。

这里有个很容易被带偏的点：官方表和 AA 指数不是一套东西。AA 的智能指数由 10 项评测加权，和 DeepSeek 官方 11 行表里同版本、同口径的只有 Terminal-Bench 4.0；HLE 两边都有，但子集和跑法不同，不能直接对比。也就是说，官方表里的 77% 再漂亮，也不能直接换算成"综合第一"。

看跑分可以激动，做选型还是得看第三方复测。

八、谁该换，谁再等等

先说该换的。

如果你在做原型、独立开发、3D 展示页、产品概念图，或者需要一个便宜的长上下文 Agent 帮你读仓库、跑测试，1017 值得试。它的交付能力已经不是"补全几行代码"，而是"给你一个能跑的初版"。

如果你已经在用 DeepSeek Harness，升级到 0.2.1-rc.1 以上，选带 1017 标记的模型就行。腾讯 CodeBuddy、WorkBuddy 也做了专项适配。

再说再等等的。

第一，强合规场景。金融、医疗、法务这类任务，错一次的代价远大于省下的 token 钱，而且更依赖可审计、可复现的流程，不是单看跑分。1017 在 HLE 上也仍然落后 Claude Opus 5 一大截，复杂知识和推理任务别只盯着 DeepSWE。

第二，没有测试的老项目重构。第三方反馈里有一条很扎眼：1017 在推理增强的同时，会出现"指令遵循的微调偏离"，比如为了简化代码，擅自删掉某个它认为不重要的功能组件------社区里有人明确要求保留的骰子悬浮预览，就被整块删掉。有开发者形容它"更聪明但更难驾驭"。没有测试兜底，这种"聪明"很危险。

第三，产品级 3D、交互式 3D、像素级还原。静态图它能给你惊喜，动起来的手感、结构、相机，还是得人盯着调。

我自己的用法是把它当实习生：可以让它写初版、补测试、做 demo，但合并前必须过三件事------跑测试、看 diff、亲手玩一遍。

以 2026 年 10 月的版本为准，1017 适合当"能交付初版的实习生"，不适合当"不用验收的外包"。

九、两个没法绕开的问题

你可能会问：1M 上下文是真的吗？

官方价格页写的是 1M 上下文、最大 384K 输出。我这次只跑了常规项目，没有把 1M 塞满，所以不给"1M 实测通过"的结论。想验证的话，丢一个接近 100 万 tokens 的仓库或文档进去，问一个只在中间偏后位置出现的问题（比如第 60 万字附近），看它能不能引用到正确段落、会不会漏掉中间部分。这比看宣传语有用。

你可能会问：那程序员是不是又要被替代了？

短期不会。它把"写"的成本降下来了，把"验收"的成本抬上去了。会写代码的人反而更容易用它，因为你能一眼看出哪里不对：伞面为什么像箭头、特斯拉为什么像火箭卡丁车、相机为什么在山里。这些判断，模型自己不会主动做。

---

我是程序员天天困，持续分享编程干货。觉得有用的话记得点赞收藏和关注~也欢迎在评论区聊聊：你觉得 DeepSeek-V4.1-Flash-1017 更适合接哪类项目，验收时你最怕它擅自改什么？