DeepSeek Finally Fixed Its Biggest Problem (V4.1 Flash 1017 - Fully Tested!)
三句話摘要
DeepSeek V4.1 Flash 1017 版本實現低價與高效能的結合,首次讓便宜模型在實際任務成本上也更划算。 DeepSeek V4.1 Flash 1017 首次實現低 token 價格與低消耗的雙重優勢,使任務實際成本真正下降,成為當前開源模型中性價比最高的選擇。 便宜陷阱的破局:許多廉價模型因高 token 消耗而成本反高。DeepSeek 過去的 Flash 版本亦如此,此次終於在 token 效率上取得關鍵突破,讓低單價的優勢真正轉化為低任務成本。
重點整理
便宜陷阱的破局:許多廉價模型因高 token 消耗而成本反高。DeepSeek 過去的 Flash 版本亦如此,此次終於在 token 效率上取得關鍵突破,讓低單價的優勢真正轉化為低任務成本。
推理設定的報酬曲線:模型提供三級努力等級,實測發現高效能模式已能完美處理推理與網頁重建;最大努力模式雖增加 16% token,但執行時間無異,僅在需要長期迭代的開放式構建中才產生明顯價值。
視覺理解的創新應用:模型在雙擺動力學分析中展現出色的物理建模能力——自行逐幀追蹤特徵並擬合參數,讓模擬程式自然演化,相比隱藏修正的做法更加透明真實。
開源模型的實用邊界:在符號距離函數渲染、強化學習、GPU 模擬等領域表現優異且成本低廉,但在精密前端設計(像素級複製複雜頁面、精確視覺排版)上仍不及前沿模型。
實用技巧與重點
- 模型:DeepSeek V4.1 Flash 1017;推薦 Harness 版本 0.2.1 以上
- 基準提升:Terminal Bench 31% → 42%;Arena WebDev 排行第一開源模型,落後 Gemini 4o 僅 8 分
- 成本改善:編碼任務最大努力 50¢ → 20¢;高模式減少 1/3 token;最大努力更優
- 實測任務與成本:
- 機器人 RL 演算法(四足行走):22 美分,46 秒學會走路,2 分鐘達成目標
- 符號距離函數 3D 龍渲染:無需 Blender
- 銀河碰撞 GPU 模擬(50+ 萬星):自行撰寫程式並驗證能量守恆
- 公寓地板平面圖:從不完整資料推斷缺失房間尺寸,生成俯視圖與自動導覽
- 雙擺物理擬合:逐幀追蹤,模擬結果與真實數據相符數秒後自然漂移
- 推理等級建議:預設用高,開放式構建才用最大
- 與 Gemini 4o 差異:複雜網頁複製略遜,物理建模更優;均能用向量程式碼重繪圖像(NASA 降落傘超過 1000 行程式碼)
結論
DeepSeek V4.1 Flash 1017 首次實現低 token 價格與低消耗的雙重優勢,使任務實際成本真正下降,成為當前開源模型中性價比最高的選擇。
完整解析
DeepSeek V4.1 Flash 1017 版本表面上是小幅更新,實則成果斐然。儘管模型規模未變,但經過額外後訓練,基準測試全面躍升,Terminal Bench 從 31% 攀升至 42%,達到 OpenAI GPT 4o 水準,且價格優勢明顯。在真人評測的 Arena WebDev 排行榜上,已成為排名第一的開源模型,僅落後 Gemini 4o 八分。
講者重點指出了常被忽視的定價真相:模型成本不只看 token 單價,而是單價乘以任務所需 token 數。此前 DeepSeek Flash 系列雖然單價便宜,但 token 消耗龐大——九月版本甚至需要典型開源模型近兩倍的 token,導致實際成本反而更高。這次更新改變局面,官方資料顯示編碼任務在最大努力模式下成本從 50 美分降至 20 美分,完全源自 token 消耗的減少。講者重新測試了個人基準集合,驗證了高效能模式減少約三分之一的 token,最大努力模式幅度更大。
講者進行了系統性實測,涵蓋多個領域。符號距離函數渲染領域,模型無需任何 3D 軟體即可生成複雜數學定義幾何;強化學習領域,從零開始編寫政策梯度演算法教四足機器人走路,成本僅 22 美分,46 秒內學會直線行走,2 分鐘內達成目標;GPU 計算領域,能自行撰寫引力 N 體模擬程式,並進行物理驗證。視覺能力上,模型展現創新的問題解決思路——分析雙擺動力學時,它逐幀追蹤物理特徵並擬合參數,使模擬程式完全獨立運行,合理地展現物理特性漂移,相比某些競品隱藏修正的做法更加透明。
模型弱點主要出現在精密前端設計。簡單網頁複製能達近乎完美的像素級重現,但複雜頁面如 NASA 首頁上略遜 Gemini 4o。有趣的是,這與 Arena 使用者投票對其設計的接受度形成對比。模型在自行繪製向量圖形方面表現驚人,能用程式碼重現圖像,NASA 降落傘圖案竟需超過千行向量程式碼。
關於三個推理等級的成本效益,講者對 20 項任務進行對比。最大努力模式 token 增加 16%,但執行時間基本相同;在推理與網頁重建上,高模式已達接近完美結果;只有長期開放式構建(地板平面圖推斷與 3D 世界生成)上,最大努力才展現顯著優勢——高模式可能超時,最大努力能持續迭代直到完成。


