DeepSeek 说这只是小更新：V4.1-Flash-1017 在 DeepSWE 上超过 Opus 5，每个任务两毛美金，MIT 权重，1M 上下文
DeepSeek 又在周六发模型。V4.1-Flash-1017 在 10 月 17 日 02:40 UTC 上了 Hugging Face，权重和代码都是 MIT，1M 上下文，价格和之前的 Flash 一样：每百万 token 低谷期 0.15 美元进 0.60 美元出，高峰期 0.30 和 1.20。模型卡说这是 V4.1-Flash 的一次小更新，带来显著提升，HN 帖子 534 条评论里相当一部分在笑这句话。DeepSeek 官方账号的发布帖一天内 350 万次展示、2100 次引用，HN 两条帖子分别 611 和 511 分。
表格才是正文，而且这次 DeepSeek 在每一行都标了 harness。Terminal-Bench 4.0 从 31.2 升到 42.3，跑在 Claude Code harness 里，对比 GPT-5.6 Sol 39.9、GLM-5.3 37.9、Opus 5 51.8。DeepSWE v1.1 从 74.2 升到 77.0，用的是 Mini-SWE-V2 harness，高于 Opus 5 的 74.0、Sol 的 73.0 和 Kimi K3 的 67.5。Automation-Bench 60.5 对 Opus 5 的 50.3。Agents' Last Exam 35.4 对 28.6。Apex Bench 从 64.6 跳到 72.1。ProgramBench 从 20.3 到 29.1，但 Opus 5 仍以 37.0 领先，NL2Repo 68.2 对 75.3、HLE 42.6 对 56.3 也是一样。规律很清楚：agent 循环和工具调用是它赢的地方，裸知识是它还输的地方。DeepSeek 自己的成本图把最高档放在 DeepSWE 77 分、每任务不到 0.2 美元，低档 72 分以上、每任务大约一毛，而闭源前沿模型在同一基准上是每任务 2 到 10 美元以上。Cline 的说法是：Terminal-Bench 超过 Sol，价格便宜 17 倍。所有数字都是 DeepSeek 自报的，到周六晚上还没有任何独立机构跑过。
怎么做到的比数字更重要。发布说明讲模型用带自反馈的强化学习做端到端项目开发，演示是 3D 紫禁城、浏览器赛车游戏和 Godot 里的 Portal 2 复刻。DeepSeek Harness 账号说模型在训练时专门针对 DeepSeek Harness 做了优化，并在同一小时发了 Harness 0.2.1；模型卡还列了腾讯 CodeBuddy 和 WorkBuddy 作为目标。Cline 引用团队的说法：Terminal-Bench 35% 的提升没有任何算法创新，就是在多个编码 agent harness 上做 RL。这是一家实验室在自己的发布里把"harness 不是模型"写成了结论：训练目标是那个循环，模型卡现在会报告每个分数来自哪个循环。说明里还有一条：DeepSeek 自家搜索引擎背后的 Search 和 Fetch API 对所有人开放，每千次调用 0.75 美元，在 DeepSeek Harness、Claude Code 和 Codex 里到 10 月 31 日前免费。
反应分成两派。Teortaxes 说这让 DeepSeek 比预期更快进入了 Sol 之上的区间，而且是 V4.1 Pro 的地基。Nathan Lambert 问开放权重之王是不是回来了。Susan Zhang 指出在这个基准上把性价比前沿推一次只花了一个月，而从 V4 到 V4.1 用了五个月。HN 最高赞评论比他们都有用：DeepSeek 在榜单上不比 Sol 和 Gemini 强，但实际用起来感觉更好，因为各家供应商给的每秒 token 数和首 token 延迟都好，能看到思维链，而且永远不会被莫名其妙地拦下来做网络安全审查。另一个评论者让四个 agent 审同一份脏 C++ 代码库，GPT-6.1 Sol 四分半钟找出两个 P1 问题，DeepSeek 花了二十分钟找出一个，这才是你真正想看的那种不对等但真实的测试。
同一天，PromptArmor 发了一份 9800 次试验的间接提示注入研究，读起来像开放权重争论的另一面。基于开放权重模型（DeepSeek、Kimi、GLM、Qwen）的 agent 在端到端攻击里中招率 26.7%，GPT、Claude、Gemini 是 14.2%，PromptArmor 把它算成高 88%。三个样例攻击差距更大：总结一个 URL 然后运行恶意代码 49% 对 9%，钓鱼登录浮层 36% 对 5%，通过 markdown 图片偷邮件 23% 对 9%。反转在便宜档位：Claude Haiku 5.5 比 Fable 5.1 差 38 个点，GPT-6 Luna 比 Astra 差 21 个点，而 DeepSeek V4.1-Flash 比 V4-Pro 好 31 个点。PromptArmor 卖的就是 agent 安全，页面没有发布日期，当厂商基准看。但如果你打算把一个每百万 25 美元的模型换成 6 毛的，塞进一个读邮件的 agent 里，注入率是比 DeepSWE 分数更该先看的那个数。
链接：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017 ，https://api-docs.deepseek.com/news/news261017 ，https://x.com/deepseek_ai/status/2111375640717033777 ，https://x.com/DeepSeekHarness/status/2111376365497077958 ，https://news.ycombinator.com/item?id=50129045 ，https://www.promptarmor.com/resources/open-weight-susceptibility
← 返回所有文章
表格才是正文，而且这次 DeepSeek 在每一行都标了 harness。Terminal-Bench 4.0 从 31.2 升到 42.3，跑在 Claude Code harness 里，对比 GPT-5.6 Sol 39.9、GLM-5.3 37.9、Opus 5 51.8。DeepSWE v1.1 从 74.2 升到 77.0，用的是 Mini-SWE-V2 harness，高于 Opus 5 的 74.0、Sol 的 73.0 和 Kimi K3 的 67.5。Automation-Bench 60.5 对 Opus 5 的 50.3。Agents' Last Exam 35.4 对 28.6。Apex Bench 从 64.6 跳到 72.1。ProgramBench 从 20.3 到 29.1，但 Opus 5 仍以 37.0 领先，NL2Repo 68.2 对 75.3、HLE 42.6 对 56.3 也是一样。规律很清楚：agent 循环和工具调用是它赢的地方，裸知识是它还输的地方。DeepSeek 自己的成本图把最高档放在 DeepSWE 77 分、每任务不到 0.2 美元，低档 72 分以上、每任务大约一毛，而闭源前沿模型在同一基准上是每任务 2 到 10 美元以上。Cline 的说法是：Terminal-Bench 超过 Sol，价格便宜 17 倍。所有数字都是 DeepSeek 自报的，到周六晚上还没有任何独立机构跑过。
怎么做到的比数字更重要。发布说明讲模型用带自反馈的强化学习做端到端项目开发，演示是 3D 紫禁城、浏览器赛车游戏和 Godot 里的 Portal 2 复刻。DeepSeek Harness 账号说模型在训练时专门针对 DeepSeek Harness 做了优化，并在同一小时发了 Harness 0.2.1；模型卡还列了腾讯 CodeBuddy 和 WorkBuddy 作为目标。Cline 引用团队的说法：Terminal-Bench 35% 的提升没有任何算法创新，就是在多个编码 agent harness 上做 RL。这是一家实验室在自己的发布里把"harness 不是模型"写成了结论：训练目标是那个循环，模型卡现在会报告每个分数来自哪个循环。说明里还有一条：DeepSeek 自家搜索引擎背后的 Search 和 Fetch API 对所有人开放，每千次调用 0.75 美元，在 DeepSeek Harness、Claude Code 和 Codex 里到 10 月 31 日前免费。
反应分成两派。Teortaxes 说这让 DeepSeek 比预期更快进入了 Sol 之上的区间，而且是 V4.1 Pro 的地基。Nathan Lambert 问开放权重之王是不是回来了。Susan Zhang 指出在这个基准上把性价比前沿推一次只花了一个月，而从 V4 到 V4.1 用了五个月。HN 最高赞评论比他们都有用：DeepSeek 在榜单上不比 Sol 和 Gemini 强，但实际用起来感觉更好，因为各家供应商给的每秒 token 数和首 token 延迟都好，能看到思维链，而且永远不会被莫名其妙地拦下来做网络安全审查。另一个评论者让四个 agent 审同一份脏 C++ 代码库，GPT-6.1 Sol 四分半钟找出两个 P1 问题，DeepSeek 花了二十分钟找出一个，这才是你真正想看的那种不对等但真实的测试。
同一天，PromptArmor 发了一份 9800 次试验的间接提示注入研究，读起来像开放权重争论的另一面。基于开放权重模型（DeepSeek、Kimi、GLM、Qwen）的 agent 在端到端攻击里中招率 26.7%，GPT、Claude、Gemini 是 14.2%，PromptArmor 把它算成高 88%。三个样例攻击差距更大：总结一个 URL 然后运行恶意代码 49% 对 9%，钓鱼登录浮层 36% 对 5%，通过 markdown 图片偷邮件 23% 对 9%。反转在便宜档位：Claude Haiku 5.5 比 Fable 5.1 差 38 个点，GPT-6 Luna 比 Astra 差 21 个点，而 DeepSeek V4.1-Flash 比 V4-Pro 好 31 个点。PromptArmor 卖的就是 agent 安全，页面没有发布日期，当厂商基准看。但如果你打算把一个每百万 25 美元的模型换成 6 毛的，塞进一个读邮件的 agent 里，注入率是比 DeepSWE 分数更该先看的那个数。
链接：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash-1017 ，https://api-docs.deepseek.com/news/news261017 ，https://x.com/deepseek_ai/status/2111375640717033777 ，https://x.com/DeepSeekHarness/status/2111376365497077958 ，https://news.ycombinator.com/item?id=50129045 ，https://www.promptarmor.com/resources/open-weight-susceptibility
评论