DeepSeek V4.1 Flash 实测：和 Opus 5.5、GPT-6、Gemini 4 Argon 比效果和成本

1017 是 9 月 V4.1 Flash 的点更新，API 名称和价格不变，官方表格里 11 行成绩全部比旧版更高；不过官方用来对比的是 Opus 5 和 GPT-5.6 Sol，不是 Opus 5.5、GPT-6 或 Gemini 4 Argon。

官方 X 账号 DeepSeek（@deepseek_ai）在 2026-10-17 16:35 UTC+8 发布，原话是 “Stronger benchmark performance, faster task completion, and shorter outputs than the previous version”，并称已上线网页、App 和 API，权重以 MIT 协议放在 Hugging Face 和 ModelScope。官方文档写明，API 里模型名 deepseek-flash 现在直接服务 1017，旧的 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 也会路由到它；思考模式默认开启，上下文 1M，最大输出 384K，支持视觉。旧版 V4.1 Flash 于 2026-09-10 发布，是 552B 参数的 MoE，输入激活 8B、输出激活 16B；1017 在 Hugging Face 上列的是 763B 参数。X 用户 ゲノムちゃん（@rna4219）自述，公开权重约 510GB，其中约 203GB 是 Engram 查找表。图表里如果同时出现 “DeepSeek V4.1 Flash” 和 “1017”，没有 1017 后缀的那个就是旧模型。

X 官方账号 DeepSeek（@deepseek_ai）在 2026-10-17 的发布里附了成绩表：左起分别是 1017、旧版 V4.1 Flash、Kimi K3、GLM 5.3、GPT 5.6 Sol 和 Claude Opus 5，加粗为各行最高；这只是官方自报，不能直接等同于第三方实测。（条目：DeepSeek 官方开源 V4.1 Flash-1017 权重：Hugging Face 与 ModelScope）

官方表格里，Terminal-Bench 4.0 从 31.2 升到 42.3，DeepSWE 从 74.2 升到 77.0，ProgramBench 从 20.3 升到 29.1。把 1017 和 Opus 5 放在一起，11 行里赢 4 行：DeepSWE、Automation-Bench、Agents’ Last Exam 和 Apex Bench；输 7 行，包括 HLE 42.6 对 56.3、Terminal-Bench 42.3 对 51.8、ProgramBench、NL2Repo 以及三项视觉测试。对 GPT-5.6 Sol 则赢 9 行。官方没有给 Opus 5.5、GPT-6 或 Gemini 4 Argon 的对比；X 用户 QFS17（@riabcevv）也提醒，这些数字都是官方自报。

按单价，DeepSeek 输出每百万 token 高峰 $1.20，比 Opus 5.5 便宜约 17 倍、比 GPT-6 Astra 便宜约 42 倍；按任务算，11 组同提示词对比中它每次都便宜 3 到约 44 倍，但 7 次更慢。

表：API 价格（每百万 token，2026-10-18 核对官方价格页）

样本/方法：来源：DeepSeek API 文档 Models & Pricing、Claude 定价页、OpenAI API 定价页、Google 博客。DeepSeek 闲时为高峰价一半；命中缓存的输入另有低价。只比单价，不等于每个任务的花费。

闲时价是高峰价的一半，官方定义为工作日 09:00-12:00 和 14:00-18:00 UTC+8 以外、周末全天以及中国法定节假日；高峰命中缓存的输入为 $0.006。因为模型经常思考更久、烧掉更多 token，所以按任务算的省钱幅度，比按 token 的差距小。

样本/方法：样本：人工通读、同时写了双方花费和耗时的同提示词对比原帖；作者自报，任务和档位各不相同，未经复现。

表：同一提示词对比：用户自报的花费、耗时和评价

样本/方法：样本：人工通读后保留的原帖（转述、搬运不计）；数字为作者自报，任务、推理档位、工具各不相同，未经复现。带链接的 3 条来自本站其他合集。

X 用户 Bhavy（@Bhavani_00007）放出的火箭发射场景对比里，左边 DeepSeek V4.1 Flash 1017 花 $0.78，右边 GPT 6.1 Sol 花 $6.10；这是作者自报的视频封面和描述，不能当作第三方基准。（条目：DeepSeek V4.1 Flash 与 GPT 6.1 Sol 同题生成火箭发射场景对比）

token 消耗是单价之外的另一个口径：兴雨（@YxzRainy）的海岛生成，DeepSeek 大约用 9510 万 token，GPT-6.1 Sol 约 976.7 万 token，实际花费 5.49 元对约 19 元，作者也说明两边请求数和统计范围不同。noclipepe（@noclipepe）的 Bowser 对比里，DeepSeek 用了 8.05M token、$0.15，Opus 5.5 用了 3.88M token、$3.85，这组 $0.15 对 $3.85 的数字，Luckey Faraday（@luckeyfaraday）更早就贴过，最初出处不明。notjazii 的 Frieren SVG 用了 65.7M token，花 $0.70、耗时 1 小时 15 分钟。人工通读时还发现，同一组数字常被反复搬运：marcthecreatorr 的 “$0.23 对 $6” Opus 对比出现在 14 条帖子里，Bhavani_00007 的 “$0.78 对 $6.10” 火箭对比出现在 10 条里；KC（@karanC_12）后来也重复贴过这两组数字，这里每组只计一次。Bug Hunt Bench 的榜单里，除 DeepSeek 是实付外，其余为标价估算：DeepSeek max 单次 $1.84，Opus 5.5 max 单次 $58.53，GPT-6 Astra max $33.03，Gemini 4 Argon high $7.16，GPT-6.1 Sol max $5.88。

在 agent、浏览器和修 bug 的第三方测试里，1017 与 Opus 5.5、Gemini 4 Argon 接近，有时稍高，但这些榜单上仍落后 GPT-6 Astra 和 GPT-6.1 Sol；在 KingBench 4、难知识题和需要准确复述的写作上，它明显不如 Opus 5.5。

表：第三方测试：分数和花费

样本/方法：来源：测试者在 X 上发布的结果和截图（2026-10-17 至 18）；各家方法、档位、工具链不同，彼此不能直接横比。

X 用户 Paweł Huryn（@PawelHuryn）在 2026-10-18 更新的 Bug Hunt Bench 榜单里给出：1017 配 DeepSeek Harness 得 42.7/105、花 $1.84，Opus 5.5 max 得 41.7、花 $58.53。截图只是该榜单的一次更新，分数和花费口径以作者说明为准。（条目：DeepSeek Harness 让 V4.1 Flash 跑分平均高 2–3 分，但成本高 80%）

工具链很重要。Paweł Huryn 自测发现，DeepSeek 自家 Harness 平均比用 Claude Code 高 2-3 分，但成本高约 80%，因为会开子代理、产生更多输出；用 Claude Code 时 max 档 7 次均值为 39.1。

X 账号 Browser Use（@browser_use）在 2026-10-18 放出 Browser Use Benchmark v2.1 榜单：1017 max 档 75.0 分、每任务 $0.22，与 Opus 5.5 high 同分，GPT-6.1 Sol medium 为 79.6 分；这是基准方发布的一次结果。（条目：browser-use 测试：V4.1 Flash 1017 长程浏览器任务 75/100 追平 Opus 5.5，单任）

X 用户 AICodeKing（@aicodeking）的 KingBench 4 截图显示，1017 平均 51.7%，9 个模型里第 7，但总花费 $0.94 最低；Opus 5.5 为 57.8%、$26.26。也就是说，它便宜但并不领先。（条目：KingBench 4 实测：V4.1 Flash 1017 得 51.7% 排第 7，总花费仅 0.94 美元）

AICodeKing 的细节测试还显示，1017 是九个模型里最好的 3D 房间设计师（8.8/10），Pokémon 场景 8.2 分、正常流程打过 Brock，但在 QMK 和 Docker alternative 上只有 3.0 分，emulator 2.0 分；作者建议在相信它之前先检查具体功能，同一批应用上它约比 Opus 便宜 10 倍。写作方面，X 用户 けんすう（@kensuu）用播客文字稿生成 20 篇日文文章并逐篇比较：初看 1017 写得易懂，3.3 日元对 Opus 5.5 的 37 日元，但意思错误 22 处，Opus 5.5 只有 4 处、Sonnet 5.5 为 11 处，说话人混淆 12 次对 0 次和 4 次；结论是从 Sonnet 5.5 换到 1017 值得，但还到不了 Opus 5.5。X 用户 沉默王二（@itwanger）评价它的文本 “AI 味” 明显，离 Opus 5.5 的距离约是 Gemini 4 Argon 的两倍。

2026-10-19 更新：Code Arena WebDev 排名

Arena（@arena）于 2026-10-19 02:56（UTC+8）在帖子里公布：1017（Arena 标注为 DeepSeek-V4.1-Flash-20261017，Max 档）在 Code Arena: WebDev 开源模型排第 1，超过 Kimi K3 (Max)；总榜第 12、1670 分，排在 Claude Opus 5 (High) 前，距 GPT-6 Sol (Max) 约 10 分，比 9 月 10 日旧版 V4.1 Flash 高 52 分。Arena 帖子里列出的价格为每百万 token 输入 $0.3、输出 $1.2。以上为 Arena 口径；这只是 Code Arena: WebDev 前端/网页开发类任务排名，与上文第三方测试一样不能直接横比，也不代表它在所有任务上领先。

最集中的抱怨不是质量，而是时间；其次是只有仔细看才会暴露的细节和交互错误。

过度思考是慢的直接来源。X 用户 J A Z I I（@notjazii）说 token 速率很高，但模型把大量时间花在过度思考和自测上，单个任务可以超过一小时，希望团队修复；相宁（@xiangning0）看到约 200 t/s，完成速度却和 40 t/s 的 GPT-6.1 Sol 差不多甚至更慢。notjazii 的 GPT-6 Astra 对比里，DeepSeek 用了 1 小时 40 分钟，对手 20 分钟；X 用户 @UFO2002616 也建议 max 档慎用。

X 用户 Marcel（@marcthecreatorr）在 2026-10-17 用同一提示词做角色动画，上为 Opus 5.5（xhigh）、下为 DeepSeek V4.1-1017（max）的视频封面并列；截图本身不证明细节优劣，只能结合作者的文字评价看。（条目：Opus 5.5 与 DeepSeek V4.1 Flash 同题动画对比：1 小时 0.23 美元 vs 20 分钟）

细节与交互的短板更明显：Marcel（@marcthecreatorr）说 Opus 5.5 的动画、声音和细节都很出色，DeepSeek 接近但有几处错误；@wquguru 的果冻熊静止时不输，一拖动就撕裂、眼睛飘出脸外；notjazii 的 Kimi K3 对比里，DeepSeek 一直没让创造模式完整跑通；Bhavy（@Bhavani_00007）的鲸鱼测试颜色过曝，同样 $2.50 预算下还是输给 Kimi K3。阅读与纠错方面，けんすう（@kensuu）统计 DeepSeek 的误读和说话人互换明显多于 Opus 5.5 或 Sonnet 5.5；UFO2002616 的提示词错字没被模型纠正，而 Gemini 4 和 GPT Astra 纠正了。

可靠性方面，Bug Hunt Bench 有一次运行被抓到作弊并被剔除；Paweł Huryn 后来的访谈里，模型说自己“没有问，是因为以为答案会是‘不行’，而且问了会影响这次运行”。Paweł Huryn 更早公布的单次 max 分数分别是 34、37 和 45，波动很大。长上下文上，Stephen J Ronan MD（@SJRonanMD）在单台 DGX Station GB300 上测 125K 到 1M token 的 6 根“针”，1017 分别找到 4、4、5、4 根；每次漏掉都是两跳问题，旧 checkpoint 漏的也是这几项。

在专业多卡机和重量化上可以本地跑，但对大多数人来说，每百万输出 token $0.60（闲时）到 $1.20（高峰）的 API 便宜得多；本地跑的理由是隐私、主权，或者你本来就有硬件。

Hugging Face 模型卡列的是 763B 参数，MIT 权重。X 用户 Ethan 恩宇（@UPing123zzz）指出公开权重约 510GB，单张 RTX 4090、5090 都装不下完整模型；ゲノムちゃん（@rna4219）说把约 203GB 的 Engram 表移到 SSD 后，量化版可以在约 256GB 内存环境运行。

表：用户自报的本地部署速度

样本/方法：来源：X 上的本地部署帖（2026-10-17 至 18），单用户生成速度；量化、引擎、提示长度各不相同，作者自报。

X 用户 Stephen J Ronan MD（@SJRonanMD）在 2026-10-18 发布的截图显示，单台 DGX Station GB300 跑 100 万 token 上下文时，1017 在 125K、250K、500K、1M 四档分别找到 4、4、5、4 个“针”（满分 6），每档读入速度都在每秒约 2 万 token 以上；这是作者自测，不等于所有任务都能达到该水平。（条目：单台 GB300 上 1M 上下文实测：DeepSeek V4.1 Flash 对比 GLM-5.3-Flash）

量化会损失质量。X 用户 JJ Eaton（@jayleaton）的 2.8bpw EXL3 版本约 203GB，相对完整 1017 在代码上保留 95.17%、科学 94.93%、工具调用 87.64%。速度方面，Wësche（@WescheNex1q）在两台 DGX Spark 上测到 37.6 tok/s，同一座塔比旧 V4.1 Flash 少消耗 18% token；Taro L. Saito（@taroleo）在两台 Spark 上用 EXL3 拿到约 50 tok/s；Austere（@commanderdata85）在 4 张 RTX 6000 Pro 的服务器上把它定为本地首选，替换原先的 GLM 5.3 Flash；ゲノムちゃん（@rna4219）在单台 DGX Spark 上让它得分高于 GLM-5.3 Flash 和 Qwen3.8 Flash Next，并计划切换。中间路线也有用户提到：Hekate（@iCleanAI）转述 Ollama Cloud 已在美国托管 1017、零数据保留、价格和闲时价相同；あんどう（@t_andou）建议不想把数据发往中国的人考虑，两条都是用户帖。

**2026-10-26 更新：**12–16GB 显卡的实测、Strata / Project Maya / llama.cpp 对比和各档量化的质量损失，见下一节。

10-24 起，本地跑 1017 的门槛从「多卡工作站」降到了「一张游戏显卡 + 大内存 + 大 SSD」。

起因是 ISTA-DASLab 10-23 在 Hugging Face 发布了 GSQ-RCO 量化版（1.75 / 2.00 / 2.25 bpw），Strata 0.2.4 在 10-24 接上。Project Maya 更早就能跑，llama.cpp 在 10-25 跟上。下表收的是 10-24 至 10-26 X 上的一手实测帖，重点是 12–16GB 显卡，另附几台参照机。

表：12–16GB 显卡本地跑 1017 的用户自报速度

样本/方法：X 上 18 条本地运行帖（2026-10-24 至 10-26），作者自报的单用户生成速度；引擎版本、上下文长度和提示词各不相同，本站没有复测。只转述别人数字的帖子不收。

规律很清楚：内存比显卡更要紧。

12GB 显卡配 46–80GB 内存，作者们报的多在 4–9 tok/s；16GB 显卡配 96–128GB 内存，多在 10–20 tok/s。放不进内存的专家要从 SSD 现读，所以 @TechHyung 把 Strata 的内存缓存从 30GB 调到 42GB 后，3060 上的速度从 5.8–7.0 升到 6.5–8.6 tok/s。

有一类数字要小心。有帖子说 RTX 5070 能跑 100+ tok/s（如 @Forhanvv），这和 Strata README 里 5070 读提示的速度（4K 约 110 tok/s）对得上，而 README 写的生成速度只有 4–6 tok/s。我们判断是把读入速度当成了生成速度，表里不收。

Strata、Project Maya、llama.cpp 怎么选

• Strata（GitHub，MIT）：上手最简单。有 Windows / Linux 安装包，也可以在终端运行 strata launch --family deepseek41 --model ist-das-2.00bpw --plan，先看模型会怎么分配到这台电脑上。它用 ISTA 的三档量化，下载量分别是 239 / 257 / 274GB。README 写的是 NVIDIA RTX 30/40/50 和 AMD R9700 可用，应用里上下文固定 8K。README 的自测（0.2.5）：RTX 5070 12GB + 64GB 内存生成 4–6 tok/s，RTX 3060 12GB + 46GB 内存 9–11 tok/s。10-25 发布的 0.2.6 会把全部 CPU 端专家一次性载入内存，前提是装下后还剩 8GB；单张 R9700 + 251GB 内存从 24.5 升到 27.6 tok/s，内存不够的机器速度不变。
• Project Maya（GitHub，MIT，作者 @PeasantSmith）：Strata 的 DeepSeek 引擎就是从它的 maya-ds4 移植来的。以 Linux 为主，Windows 是实验性的；NVIDIA 从 V100 起都支持，部分 AMD 卡也行。安装命令是 ./setup.sh --setup --model DeepSeek-V4.1-Flash-1017 --ds4-quant maya-xs。它有自己的两档量化：Maya-S 下载 347.5GB；Maya-XS 下载 280.9GB，模型本体 115.3GB，是为 128GB 内存的电脑做的。10-26 的 v1.1.28 合入了 #476，发布说明称：在 Linux 单张 NVIDIA 卡上，如果内存装得下专家，生成速度最多可到约 2 倍。
• llama.cpp：PR #31086 在 10-25 合并，b11870 版加入了 deepseek41 架构，Unsloth 的 Daniel Han 是共同作者。Unsloth 的 GGUF 页写，最小的 1-bit 版需要 128GB 以上内存，3-bit 版要 256GB。PR 作者在讨论里说还没深入做模型优化。截至 10-26，我们没找到能核实的一手测速。

每档量化掉多少质量

各家的口径不同，数字不能直接横比。

量化方 ISTA-DASLab 的模型卡测了 AIME25、GPQA-Diamond 和 LiveCodeBench v6（推理强度 50）：IQ2_XXS 恢复 100% 的分数，IQ2_XS 99.8%，IQ1_M 98.7%。Strata 文档在 4,995 个位置上测困惑度，结果是 2.25 bpw 比原版高 7.3%（代码 +3.2%、Agent +2.2%），2.00 bpw 高 15.5%（代码 +8.6%、Agent +5.3%），1.75 bpw 高 21%。Maya 的 HF 页统计「下一个词和原版一致」的比例：Maya-S 92.6%，Maya-XS 87.5%。

三项基准持平，不等于没有损失。

基准题量小，容易饱和，困惑度更敏感。想稳一点就选 2.25 bpw。本地量化版和 API 在真实任务上差多少，目前还没有独立、同口径的测试；@gosrum 说正在测。

大多数人还是 API 更划算

按 DeepSeek 官方价格页（10-26 查询），deepseek-flash 每百万输出 token 闲时 $0.6、高峰 $1.2（人民币 4 / 8 元）；命中缓存的输入每百万 token 只要 $0.003–0.006。

本站粗算一笔账：3060 按 8 tok/s 生成 100 万 token，要约 35 小时。整机按 300W 算，耗电约 10 度，按 0.6 元一度约 6 元，已经和 API 的 4–8 元差不多。这还没算 64GB 以上的内存、250GB 以上的 SSD 和等待时间。

本地跑的理由仍然是隐私、离线和硬件已经在手，不是省钱。

如果你做的是大批量或预算敏感、反正要复核的工作，用 1017；如果一次错误或一次慢跑比账单更贵，留在 Opus 5.5 或 GPT-6 Astra。

适合 1017 的活包括 agent 和浏览器流程、需要复核的修 bug、3D 和前端草稿、之后会编辑的批量写作、便宜的初筛；并且尽量在闲时用。需要多花钱的情况包括：要快，用户测试里 Gemini 4 Argon 每次对比都更早完成，Opus 5.5 在 5 次对比里有 3 次更快；细节和交互必须一次通过，选 Opus 5.5；最难的活，GPT-6 Astra 在 Bug Hunt 领先；精确转录和事实，Opus 5.5 在 けんすう 的测试里更稳。Gemini 4 Argon 是另一个折中：在 VulnPR、Bug Hunt 和 notjazii 的场景测试里质量与 1017 接近，成本约是它的 3 到 22 倍，但通常更快。

无论选哪个，输出都要复核。AICodeKing 的建议是：在信任一个功能之前，先检查这个功能的实际表现。

2026-10-21 更新：和 MiniMax M3.1 Flash 对比

MiniMax 在 2026-10-19 发布了 M3.1 Flash（就是此前匿名的 Space Bunny），标价和 1017 的闲时档相同。两者在价格、速度和写代码上的同题对比，见 MiniMax M3.1 Flash 和 DeepSeek V4.1 Flash 怎么选。