别名：DeepSeek V4.1 1017
MIT 开放权重的多模态推理模型，支持 1M 上下文与 384K 输出；官方自报 Terminal-Bench 4.0 达 42.3%，API 沿用 deepseek-flash 和原有峰谷价格。
数据优先来自官方发布（GitHub、Hugging Face、论文），其次为评测基准官方结果，最后为第三方评测机构数据。 了解数据收集方法
模型基本信息
开源和体验地址
官方介绍与博客
API接口信息
| 类型 | 适用条件 | 输入 | 输出 |
|---|---|---|---|
| 文本 | - | $0.150/ 1M tokens | $0.600/ 1M tokens |
| 文本 | - | ¥1.00/ 1M tokens | ¥4.00/ 1M tokens |
| 类型 | 适用条件 | 输入 | 输出 |
|---|---|---|---|
| 文本 | - | $0.300/ 1M tokens | $1.20/ 1M tokens |
| 文本 | - | ¥2.00/ 1M tokens | ¥8.00/ 1M tokens |
| 类型 | 有效期 | 写入 | 读取 |
|---|---|---|---|
| 文本 | - | — | $0.0030/ 1M tokens |
| 文本 | - | — | ¥0.020/ 1M tokens |
表中「—」表示该模态在此方向不计费，或供应商未公开对应价格。
评测结果
DeepSeek-V4.1-Flash-1017 当前已收录的代表性评测结果包括 AutomationBench（1 / 29，得分 60.50）、DeepSWE（4 / 101，得分 77）、NL2Repo-Bench（2 / 19，得分 68.20）。 本页还汇总了参数规模、上下文长度与 API 价格，便于结合评测结果与部署约束一起判断模型适配度。
和其他模型对比
发布机构
模型解读
DeepSeek V4.1 Flash 1017 是 DeepSeek 于 2026 年 10 月 17 日发布的 V4.1 Flash 更新版本，支持图文输入、文本输出，开放权重采用 MIT 许可。它延续 1M 上下文与 384K 最大输出；官方主张是在提升推理、代码、Agent 和视觉成绩的同时缩短任务耗时与输出。当前可核实的增益主要来自官方自报，不能把旧版的独立测试分数直接归给 1017 版本。
更新重点在任务完成效率，token 单价保持不变
10 月 17 日官方公告说明，网页端、App 与 API 均已更新；API 模型名仍为 deepseek-flash。新版使用基于自反馈的强化学习改善完整项目开发，展示了游戏开发与 3D 建模案例，并针对 DeepSeek Harness、CodeBuddy、WorkBuddy 优化。官方建议 DeepSeek Harness 升级到 0.2.1-rc.1 或以上。公告未提供统一的耗时或输出缩减百分比，因此不能量化宣称所有任务都省多少。
代码与 Agent 成绩提高，但框架和测试子集必须保留
截至 2026 年 10 月 17 日，官方模型卡公布以下百分比成绩。Terminal-Bench 4.0 提高 11.1 个百分点，DeepSWE v1.1 提高 2.8 个百分点；Terminal-Bench 使用 Claude Code，DeepSWE 使用 Mini-SWE-V2。HLE 的 42.6 是完整测试口径，44.0 是纯文本子集，二者不能当作同一设置的两个分数。
| 评测 | 1017 版（%） | 原版（%） |
|---|---|---|
| HLE（无工具，全量） | 42.6 | 36.8 |
| HLE（无工具，纯文本子集） | 44.0 | 39.1 |
| Terminal-Bench 4.0 | 42.3 | 31.2 |
| DeepSWE v1.1 | 77.0 | 74.2 |
| ProgramBench | 29.1 | 20.3 |
| NL2Repo-Bench | 68.2 | 65.4 |
| Automation-Bench v1.0.6 | 60.5 | 54.8 |
| Agents’ Last Exam | 35.4 | 31.8 |
| Apex Bench v1.1 | 72.1 | 64.6 |
| Chartography（工具） | 83.0 | 78.9 |
| BabyVision（工具） | 92.5 | 89.6 |
| ZeroBench-main（工具） | 51.0 | 49.0 |
模型卡没有明确给出这一整张表各行的 reasoning effort、全部 harness 版本、重试次数或置信区间；不能沿用 9 月版本的 max effort 设定来填补。当前搜索未找到足以验证这整组结果的新版独立复测原始表，旧版 Artificial Analysis 成绩也不代表新版。
1M 上下文与开放权重延续，参数规模需区分统计口径
官方称此次为 minor update，并继续链接 V4.1 Flash 技术报告。报告描述 552B 骨干参数、预填充约激活 8B、解码约激活 16B 的 Causal Encoder-Decoder 架构；1017 的配置文件确认 40 层文本网络及 1,048,576 token 上下文。这里的 552B 是骨干参数口径，不是把视觉模块、嵌入或打包权重全部相加后的总数；Hugging Face 页面自动显示约 763B，与骨干参数口径不同，尚未发现新版单独解释两者关系的官方说明。结构化参数暂不填入未经确认的新版总参与激活参数。
API 支持思考与非思考、工具调用、JSON 输出、Responses 与 Anthropic 兼容格式。模型卡本地推理推荐 temperature=1.0、top_p=1.0、max_tokens 至少 256K；这是推理建议，不是上述评测已披露的统一测试配置。
峰谷价格相差一倍，搜索抓取另按请求计费
官方美元价格按每百万 token 计：空闲时段输入 $0.15、输出 $0.60、缓存命中 $0.003；高峰时段分别为 $0.30、$1.20、$0.006。人民币独立报价为：空闲输入 1 元、输出 4 元、缓存命中 0.02 元；高峰为 2 元、8 元、0.04 元。高峰为北京时间工作日（不含中国法定节假日）09:00–12:00、14:00–18:00，其余时间为空闲。并发上限为 2500。
同期开放的 Search 与 Fetch 是独立服务，分别每千次成功请求 $0.75 或 5 元，不属于模型 token 单价。通过 DeepSeek Harness、Claude Code、Codex 的服务端工具调用目前免费，北京时间 2026 年 11 月 1 日 00:00 起计费。
新版适合现有 Flash 工作流，选型仍要区分自报与独立结果
已经使用 deepseek-flash 的开发者会直接获得新版；需要 MIT 自部署、长上下文图文理解或完整项目 Agent 的团队，可以优先评估 1017。官方同表中 DeepSWE 为 77.0%，Opus 5 为 74.0%、GLM-5.3 为 66.9%；但 Terminal-Bench 4.0 的 Opus 5 为 51.8%，高于 1017 的 42.3%。这些结果支持针对具体任务比较，尚不足以推出全面领先或等质量成本领先的结论。旧 V4.1 Flash 保留为独立历史版本。
DataLearner 官方微信
欢迎关注 DataLearner 官方微信，获得最新 AI 技术推送
