DeepSeek-V4.1-Flash-1017 深度拆解：架构没变，凭什么把 Agent 成本打到 1/50？

调研对象：DeepSeek-V4.1-Flash-1017（2026 年 10 月 17 日官方发布） 一手来源：DeepSeek 官方公众号发布稿、API 官方文档、Hugging Face 模型卡与 51 页技术报告、Artificial Analysis、LMArena、OpenRouter、Terminal-Bench 官方榜 一句话结论：架构完全继承 V4.1-Flash，涨分全靠后训练；Agent 能力打进第一梯队，成本维持在 1/50 量级。

一、模型概览

1.1 官方官宣说了什么

2026 年 10 月 17 日，DeepSeek 官方公众号发布《DeepSeek V4.1 Flash 新版本：许愿式编程一键成真》，开篇即明确：

"DeepSeek V4.1 Flash 现已更新至 V4.1-Flash-1017 版本，官方网页端、APP 与 API 模型已同步变更为新模型。" [1]

官宣交代了四件事，也是本文后续章节的骨架：

#	官宣内容	关键信息
1	性能-费用的帕累托改进	各基准长足提升，同时缩短任务运行时间与输出长度，多个 Harness 下达到新的性能-费用帕累托最优
2	从零开始的完整项目开发	通过基于自反馈的 RL，提升游戏开发、3D 建模等"许愿式"编程能力
3	开放自研搜索 API	新增 Search / Fetch 接口，各 5 元 / 千次
4	模型开源	HuggingFace + ModelScope 同步放出权重

同日，Hugging Face 仓库 deepseek-ai/DeepSeek-V4.1-Flash-1017 上线（创建 2026-10-17 02:40 UTC，权重最后更新 05:46 UTC，48 个 safetensors 分片）[2]；API 文档同步把 deepseek-flash 的模型版本标注为 DeepSeek-V4.1-Flash-1017 [3]。

1.2 关键前提：1017 是"小版本"，不是新架构

这一点决定了后面所有数据该怎么读，必须先说清楚。

证据一：两份 config.json 逐项一致。

配置项	V4.1-Flash	V4.1-Flash-1017
`architectures`	`DeepseekV41ForCausalLM`	`DeepseekV41ForCausalLM`
`model_type`	`deepseek_v41`	`deepseek_v41`
`num_hidden_layers`	40	40
`n_routed_experts`	384	384
`max_position_embeddings`	1048576	1048576
`kv_source_layer_ids`	`[2,8,14,20]`	`[2,8,14,20]`
`engram_layer_ids`	`[1,14]`	`[1,14]`
权重分片数	48	48

数据来源：V4.1-Flash config.json [4] 与 1017 config.json [5]。

证据二：官方自己的措辞。

1017 模型卡第一句是 "a minor update to DeepSeek-V4.1-Flash, delivering substantial improvements across reasoning, coding, agentic tasks, and visual benchmarks" [2]。"minor update"（小更新）却带来"substantial improvements"（大幅提升）——这个矛盾本身就是本文要解释的核心现象。

重点：由此得出两条阅读路径——

讲架构创新，必须读 V4.1-Flash 的技术报告（51 页），1017 的模型卡只有一张评测表和几行说明；
讲"为什么一个月涨 11 分"，答案在后训练，不在架构。

1.3 版本谱系

DeepSeek-V4 系列
├── V4-Flash（284B backbone / 13B 激活）
├── V4-Pro（1.6T backbone / 49B 激活）
│
└── V4.1-Flash（552B backbone / Prefill 8B、Decode 16B）
    │   ← 2026-09 发布，架构大改：
    │     CED / CSA2 / FP4 KV / SWA Bounded Replay / Engram / DSpark
    │     配 51 页技术报告
    │
    └── V4.1-Flash-1017  ← 2026-10-17 发布，本次主角
          ├─ 架构：完全继承（config.json 逐项一致）
          ├─ 变化：后训练权重 + 数据管线（自反馈 RL + Agent 任务合成）
          └─ 结果：Terminal-Bench 4.0 从 31.2 → 42.3，DeepSWE 74.2 → 77.0

1.4 规格一览

项目	规格	来源
总参数（Backbone）	552B	[6]
激活参数	Prefill 8B / Decode 16B	[6]
上下文	1M tokens	[3]
最大输出	384K tokens	[3]
输入模态	文本 + 图像（原生多模态，非外挂）	[7]
输出模态	文本	[6]
思考模式	非思考 / 思考（默认开启），`reasoning_effort` 连续可调 1~100	[8]
许可	MIT（权重可商用）	[2]
权重格式	FP8 量化（专家权重 FP4），48 分片	[5]
视觉编码器	DeepSeek-ViT，32 层，patch 14，3×3 pixel-unshuffle，单图最多 1024 token	[5]
并发限制	2500（V4-Pro 为 500）	[3]

二、核心技术：五大架构创新

阅读提示：本章讲的是 V4.1-Flash 引入、1017 完整继承的架构。1017 的性能上限完全建立在这套架构之上——不理解 CED 和 KV 压缩，就无法理解它为什么能把长上下文 Agent 做到这个价格。

2.1 要解决的根本矛盾

技术报告开篇就把矛盾摆出来了：长程 Agent 的调用模式让模型负载变成输入密集型。

一次 Agent 任务：
  工具调用 → 新增一大段工具返回 → KV Cache 未命中 → 重新 Prefill
  下一轮  → 又一段工具返回        → 又未命中         → 又 Prefill

在这种模式下，Prefill 计算、KV Cache 存储、KV Cache 搬运三者同时成为瓶颈。技术报告原话：稀疏注意力已经把"算"的成本降下来了，于是"存"和"搬"变成了新的主要瓶颈 [9]。

V4.1-Flash 的所有架构创新，都是在打这三个瓶颈。

2.2 创新一：Causal Encoder-Decoder（CED）——Prefill 计算砍半

这是最核心的架构创新，也是"8B / 16B 非对称激活"的来源。

思路源自 YoCo（Sun et al., 2024）：让上半部分层直接共享下半部分层生成的 KV Cache。CED 在此基础上做了结构性改进——提升整体 KV 缓存容量与 KV 生成的"计算深度" [9]。

具体做法是把 40 层 Transformer 切成两半：

        输入 1M tokens
              │
   ┌──────────▼────────────┐
   │  前 20 层：Causal Encoder │  只跑这 20 层
   │  （激活 8B 参数）         │  Prefill 只算到这里
   └──────────┬────────────┘
              │ H(L/2) 最终隐状态
              │
   ┌──────────▼────────────┐
   │  后 20 层：Decoder       │  KV 由 H(L/2) 投影而来
   │  （激活 16B 参数）        │  不自己生成全局 KV
   └──────────┬────────────┘
              ▼
           输出 token

数学表达（技术报告公式 1）：

C_l = H(L/2) · W_KV_l
Z_l = H(L/2) · W_Z_l        （l > L/2）

即第 l 层（l > L/2）的 KV 条目 C_l 与压缩权重 Z_l，都从第 L/2 层隐状态投影得出，不是从自己的隐状态 H_l 算出。

效果：对长序列 N ≫ n_win，Prefill 复杂度从 O(N·L) 降到 O(N·L/2 + n_win·L/2) ≈ O(N·L/2)，整体计算量减半。

注意：SWA 没有偷懒。 滑动窗口注意力的 KV 仍逐层从当前层隐状态计算，以保证局部 KV 的"计算深度"。代价是 Decoder 的 SWA KV 需额外 prefill n_win × L/2 个 token——因此配套引入 Decoder SWA Bounded Replay（见 2.5）。

重点：这就是它参数写成"8B / 16B"两个数字而不是一个的原因。Prefill 用 8B，Decode 用 16B。Agent 场景 95% 的算力花在 Prefill 上，这个非对称设计直接命中成本要害。

2.3 创新二：CSA2——跨层 KV 与索引复用

Compressed Sparse Attention 2 解决的是"KV 存得贵"。

技术报告指出，KV 成本可在三个乘性维度上压缩 [9]：

维度	代表技术	作用
条目大小	GQA、MLA	减少 KV 头数 / 用共享潜变量
序列长度	CSA、HCA（V4 引入）	每 m 个 token 压成 1 个条目
层维度	IndexCache、YOIO、HySparse	层间复用缓存或索引

CSA2 的野心是三个维度同时下手——这也是它区别于既有方案的地方：IndexCache 只复用索引、省不了主 KV；YOIO 全层共享一次路由、限制表达力；HySparse 仍保留完整注意力层。没有一项覆盖全部三个维度。

2.3.1 三种静态模式

每个 CSA2 层被静态分配三种模式之一。三种模式都自己算 query 和 SWA KV，区别在于主 KV、Indexer K、Top-K 索引这三样从哪来：

模式	主 KV	Indexer K	Top-K 索引	计算量
`Full`	本层计算	从主 KV 投影	本层重新选	完整路径，最贵
`Reindex`	复用最近一个 Full 层	复用	本层重算（可变化）	省主 KV
`Reuse`	复用最近一个 Full 层	复用	复用最近一个产出索引的层	最省

重点：这个设计最巧妙处在于把"缓存共享"与"索引复用"解耦了。Reindex 允许稀疏选择在不同层之间变化（保住表达力），同时主 KV 和 Indexer K 仍共享（省存储）。过去的方案要么只能共享索引，要么只能共享缓存。

2.3.2 分层稀疏索引器（Hierarchical Sparse Indexer）

Decoder 里第一个 Full 模式层选出自己的 Top-512 索引，同时把选中的块建成一个共享候选池。后续所有 Reindex 层只能从这个池子里选 Top-512。

效果：越深的索引层搜索范围越小，索引成本与上下文长度解耦。这是 1M 上下文还能保持低延迟的关键。

2.3.3 两处减法

CSA2 相比 CSA 还做了简化，官方说法是"简化实现 + 提升训练效率"：

去掉相邻压缩条目之间的重叠源条目；
去掉压缩时的绝对位置嵌入；
Indexer K 改为从主 KV 投影，替代 CSA 里独立的压缩路径。

2.4 创新三：FP4 主 KV 缓存——存储再砍一半

这是"KV 存得贵"的第二刀。做法是把量化感知训练（QAT）从 Indexer 扩展到主 KV Cache。

选型细节（技术报告 2.4.4）：

项目	选择	原因
格式	OCP 标准 MXFP4	兼容尽可能多的硬件平台
数据格式	E2M1	在约 4 bit 的候选格式里精度与简单性的平衡点
Scale	每 16 通道一个 E4M3	参考 NVFP4，但省掉二级全局 scale
动态范围	最大 448 × 6 = 2688	远高于 KV 量级上界，够用

注意一个工程细节：FP4 在这里的作用是省存储，不是加速矩阵乘。注意力计算前会先把缓存反量化回更高精度，因此不需要硬件原生支持 FP4 矩阵乘——这是它能跨硬件平台部署的关键。

2.5 创新四：SWA Bounded Replay——把"缓存未命中"从灾难变成小摩擦

这是"KV 搬得贵"的解法，也是整套设计里最巧妙的一处。

问题：SWA 的 KV 依赖跨层累积。要精确重建 L 层的 SWA KV，得重放 L × n_win 个 token——代价太大。所以过去的方案只能把 SWA KV 也持久化到 SSD，占空间又占带宽。

做法：只重放最近 n_win 个 token，并接受这是近似状态。重放区间起点为 s 时，位置 i 的 query 只关注 [max(s, i-W+1), i] 范围内的 SWA key。

效果（这是重点）：

精确重建：L × n_win 个 token 的前向计算    ← 灾难
Bounded Replay：n_win 个 token 的前向计算  ← 可以接受

技术报告原话："把一次灾难性的 miss 变成一次优雅、廉价的降级（a graceful, inexpensive degradation）"——正因如此，SWA KV 才可以完全从持久化 KV 缓存里删掉。

2.6 创新五：Engram / DSpark / Single-Pass mHC

这三个是效率侧的"锦上添花"，但组合起来收益不小。

组件	是什么	关键参数
Engram	条件记忆模块，把"记忆"与"计算"解耦，按 token 查表	196B 参数，分 2 个模块置于第 1、14 层；N-gram 阶数 {2,3,4}，8 个哈希头，每阶总嵌入维度 2048；每头索引约 16M 条目的表（表长取不同素数）；FP8 精度
DSpark	投机解码，半自回归草稿 + 置信度调度验证	3 层 Transformer 草稿器，SWA 窗口 128；一次前向并行出 5 个草稿位置；轻量 Markov 头建模草稿间依赖；置信度头预测逐位置接受概率
Single-Pass mHC	单遍残差流混合，配 Mega-mHC kernel	把 V4 里 3 个串行 kernel 合成 1 个，激活内存流量从 `(4n+4)d` 降到接近下界 `(2n+2)d`

重点（DSpark 的一个细节）：它与 V3 的 MTP 不同。MTP 是预训练阶段与主干联合训练；DSpark 是预训练之后单独一个阶段训练，训练时主干冻结。后训练阶段继续训练 DSpark，但梯度不回传主干。这样 DSpark 能一直跟随策略演进，同时加速在线服务和 RL rollout。

Engram 的推理细节：地址是确定性的，嵌入可通过后台 RDMA 从主机内存预取，第一个模块的预取还能与第一个 Transformer 块的计算重叠。

2.7 创新账本

指标	数值	对比基线
全局 KV（常驻 HBM）	890 bytes / token	约为 V4-Flash 的 1/4
持久化 KV（SSD / 主机内存）	约 1/8	靠 SWA Bounded Replay 实现
Prefill 计算	减半	靠 CED 的 `O(N·L/2)`
相比 DeepSeek-V1 的 KV 压缩	437 倍	技术报告 Figure 1(b)
骨干参数	552B	V4-Flash 为 284B
激活参数	Prefill 8B / Decode 16B	V4-Flash 为 13B 固定
训练数据	45T tokens 多模态语料	64K 序列训稀疏注意力，34T token 处扩到 1M

DeepSeek 各代模型每 token 全局 KV Cache 大小对比

图 1：DeepSeek 各代模型每 token 的全局 KV Cache 大小（字节）。V4.1-Flash 相比 V4-Flash 约 4 倍、相比 V1 约 437 倍压缩。来源：官方技术报告 Figure 1(b) [9]

弊端说明（官方自己承认的）：技术报告结论章节明确写道，CSA2 的候选选择误差、SWA Bounded Replay 的近似状态重建，在未被测试覆盖的极端边界场景下仍可能导致能力退化。原话是 "no finite test suite can cover every extreme input and deployment condition"，并点名后续要重点压测"长上下文稀疏检索"和"缓存恢复边界的 SWA 状态重建" [9]。

这意味着：接近 1M 上下文的场景必须自建压测集，不能只信官方 benchmark。

三、1017 自身的优化：不换架构，怎么涨 11 分？

这是本章的核心问题：架构一模一样，Terminal-Bench 4.0 却从 31.2 涨到 42.3。钱花在哪了？

官方给出的答案集中在一处——后训练。

3.1 优化一：把"造任务"本身变成可训练能力

技术报告 5.1.1 节揭示了一个关键思路转变 [9]：

传统上构造高质量训练任务需要大量人工。但我们观察到，模型已经开始具备构造自己训练任务的能力——尽管还远不完美。

于是把每个任务形式化成三元组：

任务 = (problem, environment, verification system)
        问题      环境              验证系统

再用两个维度评估任务质量，并把它们当作奖励信号去迭代训练模型"造更好的任务"：

维度	含义
难度（difficulty）	保证任务不平凡
正确性（correctness）	保证三个组件里没有致命缺陷

重点：这是一个正反馈飞轮——模型造任务 → 用任务训练模型 → 模型变强 → 能造更难的任务。而且每次任务被用于新的 RL run 时，产生的轨迹又成为重新审计任务质量的新证据。

3.2 优化二：两条专门的训练环境生产线

生产线	数据来源	构造方式
通用 Agent	内部员工 + 外部合作伙伴自愿回传的交互数据	按真实接口造大量 mock 工具（复刻输入格式、输出结构、API schema、行为约束），覆盖常用 SaaS 与企业应用；同时大规模收集负面反馈与失败案例，生成单轮/多轮环境，系统化复现失败
Coding Agent	① 内部与外部伙伴的高复杂度或模型表现差的会话（按轨迹去重）② 达到 star 阈值的公开 GitHub 仓库	多 Agent 协作：判定可容器化 + 可自动验证 → 选定 commit 作为起点 → 设计实现方向与评测点（fail-to-pass + pass-to-pass）→ 独立 Agent 搭环境并自测 → 清除泄漏答案的痕迹 → 打包镜像层 → 多 Agent 试解 → 质检 Agent 审查 → 不合格由修复 Agent 修完再验

注意：这套流程里"质检"和"修复"是独立 Agent，且明确要检查四类问题：环境问题、事实错误、评测点与任务描述不匹配、可作弊风险（hackability）。最后一条尤其关键——防止模型学会"骗过测试"而不是"真正解决问题"。

3.3 优化三：可连续控制的推理力度（1~100）

这是 1017 最有实用价值的能力，它把"效果"与"成本"变成一根连续的旋钮。

API 暴露三档预设，对应内部数值：

API 预设	内部力度值
`low`	50
`high`	75（默认）
`max`	100

官方实测的力度-收益曲线 [9]：

力度 25 → 100	成绩变化	输出 token 变化
8 项推理基准平均	67.1% → 76.3%	约 2.5×
DeepSWE v1.1	66.0% → 74.2%	约 2.5×
Terminal-Bench 2.1	82.4% → 90.6%	约 2.5×

重点结论（能直接省钱的那句话）：收益前重后轻。官方原文——"60~80 区间已经能拿到接近最大档的大部分精度，而只花不到一半的 token 预算；最后冲到 100 会让 Agent 轨迹拉长 1.6~1.8 倍，却只换来边际提升"。

所以日常用 high（75），只有最硬的骨头才开 max（100）。

技术报告还特别指出，单轮推理上学到的力度控制能忠实迁移到长程 Agent 轨迹上——它控制的是跨轮次的探索量与验证量。这说明它不是"多想想"的 prompt 技巧，而是训练进权重里的能力。

3.4 优化四：更短的任务时间与输出长度

官宣里有一句容易被忽略的话："在提升性能的同时，我们还缩短了模型的任务运行时间与输出长度" [1]。

这句话为什么重要？它直接反驳了一个常见质疑："提升是不是靠多想、多写、多试出来的？"——官方明确说不是，性能上升的同时，时间与输出长度是下降的。

这也是"帕累托改进"这个说法的由来：不是拿成本换性能，而是两个维度同时变好。

3.5 优化五：Harness 协同优化

官宣明确写了：

"本次我们着重针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 等平台框架进行了优化。请升级到 DeepSeek Harness 0.2.1-rc.1 及以上版本，以获得适配新版模型的最优体验。" [1]

DeepSeek Harness 的 Release 记录也印证了这一点——v0.2.1-rc.1 更新日志第一条就是"适配 DeepSeek-V4.1-Flash-1017 上线"，同时"适配 DeepSeek Search 与 Fetch API" [10]。

注意：Harness 版本低于 0.2.1-rc.1，拿到的可能不是完整收益。

3.6 优化六："许愿式编程"——从零构建完整项目

官宣单独用一节讲这个能力，案例是"示例 4：Valley of Ages——以 3D 场景动态展现从史前时代到现代的发展历程"。

官方描述：通过基于自反馈的强化学习，提升游戏开发、3D 建模等方面从零开始构建完整项目的能力，能在"较少的提示词与素材参考条件下，通过极短的交互轮次直接实现项目效果" [1]。

我的判断：这是从"补全代码"到"交付项目"的能力跃迁。意义不在于"能生成一个 3D 场景"，而在于模型开始具备长程自我验证能力——先建、再看、再修，这个循环跑得通，才可能一次交付一个完整项目。

四、核心能力效果：评测全景

4.1 官方横向对比（1017 版本）

DeepSeek-V4.1-Flash-1017 与主流模型评测对比

图 2：DeepSeek-V4.1-Flash-1017 官方评测对比表。来源：官方发布材料 [1] [2]

文字版，方便查阅与二次计算：

Benchmark	V4.1-Flash-1017	V4.1-Flash	Kimi K3	GLM-5.3	GPT-5.6 Sol	Opus 5
HLE（无工具）	42.6 / 44.0†	36.8 / 39.1†	43.5	42.0†	44.5	56.3
Terminal-Bench 4.0	42.3	31.2	12.6	37.9	39.9	51.8
DeepSWE v1.1	77.0	74.2	67.5	66.9	73.0	74.0
ProgramBench	29.1	20.3	17.5	19.0	23.0	37.0
NL2Repo-Bench	68.2	65.4	58.0	58.0	56.8	75.3
Automation-Bench v1.0.6	60.5	54.8	46.7	48.8	45.8	50.3
Agents' Last Exam	35.4	31.8	27.6	28.5	26.7	28.6
Apex Bench v1.1	72.1	64.6	47.8	56.6	54.3	65.8
Chartography（带工具）	83.0	78.9	68.1	—	79.9	84.0
BabyVision（带工具）	92.5	89.6	85.7	—	88.9	94.1
ZeroBench-main（带工具）	51.0	49.0	41.0	—	53.0	52.0

† 表示仅测试 HLE 的文本子集。Terminal-Bench 4.0 用 [CC] 框架，DeepSWE 用 Mini-SWE-V2 框架，ZeroBench-main 用 Pass@5 评测。数据来源：[2]

重点解读：

Agent / 终端类任务全面反超闭源旗舰：Terminal-Bench 4.0 的 42.3 超过 GPT-5.6 Sol（39.9），DeepSWE v1.1 的 77.0 超过 Opus 5（74.0）与 GPT-5.6 Sol（73.0）。
纯知识型推理仍是短板：HLE 42.6 落后 Opus 5 的 56.3 整整 13.7 分；ProgramBench 29.1 vs Opus 5 的 37.0，差 7.9 分。
视觉 Agent 追得很紧：Chartography 83.0、BabyVision 92.5，与 Opus 5 只差 1 分左右，但 ZeroBench 被 GPT-5.6 Sol 反超。

4.2 相比上一版的进步幅度（1017 的价值所在）

Benchmark	V4.1-Flash	1017	提升
HLE（无工具）	36.8	42.6	+5.8
Terminal-Bench 4.0	31.2	42.3	+11.1
DeepSWE v1.1	74.2	77.0	+2.8
ProgramBench	20.3	29.1	+8.8
Automation-Bench	54.8	60.5	+5.7
Apex Bench v1.1	64.6	72.1	+7.5
Agents' Last Exam	31.8	35.4	+3.6
NL2Repo-Bench	65.4	68.2	+2.8

注意：同一个架构、间隔一个月，Terminal-Bench 4.0 涨了 11.1 分。这在传统认知里属于"换模型"级别的提升。这反过来验证了第三章的判断：后训练与数据管线的杠杆，比很多人以为的大得多。

4.3 技术报告里的完整评测（V4.1-Flash 基线）

重要提示：下表来自 51 页技术报告，评测对象是 V4.1-Flash（9 月版），不是 1017。列出它是为了补全 1017 发布页未覆盖的维度（安全、竞赛编程等）。1017 在这些维度上按 4.2 节的规律，只会更好不会更差 [9]。

Benchmark	Opus-5	GPT-5.6 Sol	K3	GLM-5.3	V4-Pro	V4-Flash	V4.1-Flash
GPQA Diamond	93.4	94.1	92.9	88.1	92.4	89.9	90.9
Codeforces（Rating）	—	—	—	—	3348	3289	3471
MathArena Apex	—	—	65.6	—	65.3	58.6	65.6
Terminal-Bench 2.1	89.1	88.8	88.3	88.2	87.9	82.7	90.6
Terminal-Bench 3.0	43.3	34.4	17.7	28.3	11.8	7.6	30.0
CyberGym	—	84.5	80.0	84.5	83.3	76.7	88.1
SEC-Bench Pro	—	74.3	—	—	56.4	30.9	62.8
ExploitGym	22.1	33.7	—	15.0	5.4	1.8	15.3
HLE（带工具）	63.6	—	59.8	62.5	60.0	51.5	63.9

技术报告 Figure 1(a) 把 Agent 类指标画成了对比图，可以直观看清"哪几项超了、哪几项还差"：

DeepSeek-V4.1-Flash 与同类模型在 Agent 基准上的表现

图 3：DeepSeek-V4.1-Flash 与同类模型在 Agentic 基准上的表现对比。来源：官方技术报告 Figure 1(a) [9]

两个值得单独拎出来的点：

Codeforces 3471：超过 V4-Pro（3348）和 V4-Flash（3289），是 DeepSeek 家族最强竞赛编程成绩。一个 552B 的 Flash 模型打赢 1.6T 的 Pro 模型，在 MoE 效率上是很有说服力的证据。
CyberGym 88.1 / SEC-Bench Pro 62.8：开源模型里的 SOTA 级安全能力。官方特别提示这是双用途能力，请用于防御性安全研究、漏洞修复等负责任场景。

4.4 换 Harness 会不会掉点？（落地最关键的一张表）

同一份权重，只换外层 Agent 框架，结果差异巨大：

Harness	DeepSWE v1.1	Terminal-Bench 2.1
[CC]（[CC]）	69.8	88.0
Codex	65.6	84.1
OpenCode	65.5	85.0
Pi	66.2	86.1
mini-SWE	74.2	90.3
DeepSeek Harness Minimal	72.6	90.6
DeepSeek Harness Standard	70.5	85.8
DeepSeek Harness PTC	67.6	85.8

数据来源：技术报告 Table 4。所有 scaffold 均用 N=8（DeepSWE）/ N=3（TB2.1）采样，Linux 容器，temperature=1.0，top_p=0.95，1M 上下文，max_steps=500，TB2.1 无网络。 [9]

重点：跨 6 个框架家族、8 种配置，DeepSWE 波动区间 65.5~74.2（9 分），Terminal-Bench 84.1~90.6（6.5 分）。没有出现"换框架就崩"的情况，但框架选择确实值 8 分以上。

实战含义：如果用 [CC] 或 Codex，别直接拿官方 1017 的 77.0 做预期，按 69.8 / 65.6 打折更真实；想拿峰值，得配 mini-SWE 或 DeepSeek Harness Minimal。

4.5 第三方机构的口径（与官方的温差）

这是本章最需要留意的部分。官方说"多项第一"，第三方说"中上游"。

机构	指标	DeepSeek-V4.1-Flash 表现	来源
Artificial Analysis	Intelligence Index v4.3.2	39 分（同类中位数 19，明显高于平均，但远非榜首）	[11]
Artificial Analysis	单任务成本	$0.27 / 任务（跑完整套 Intelligence Index）	[11]
Artificial Analysis	输出速度	176 tokens/s（评价 "notably fast"）	[11]
Artificial Analysis	冗长度	250M tokens / 整套评测（中位数 130M，评价 "very verbose"）	[11]
LMArena（文本竞技场）	Elo	1475 ± 6，排名第 38（12,793 票）	[12]
OpenRouter	实际报价	$0.15 输入 / $0.60 输出，cache read $0.003	[13]
OpenRouter	延迟 / 吞吐	1.21s TTFT / 152 tps	[13]
OpenRouter	可用性	过去 3 天 100%	[13]
Hugging Face	社区热度	251 likes，trending score 250（发布当天）	[2]

重点（必读）：三套口径的温差说明什么？

官方口径：Agent / SWE 类任务 → 反超 Opus 5、GPT-5.6 Sol（第一梯队）
AA 口径：综合智能指数 39 分 → 同类模型中的"优秀但不顶尖"
LMArena：人类偏好 Elo 1475 → 全球第 38 名
         落后于 Gemini 4 Argon（1524）、Claude 系列（1500+）、Kimi K3（1487）

合理解释有三条：

评测维度不同。LMArena 测的是"人类对话偏好"（写作、闲聊、通用问答），AA 的 Index 混合了知识、长上下文、专业文档推理。而 1017 的优化重心全在 Agent / 终端 / 代码 上。它是一把专用的螺丝刀，不是万能瑞士军刀。
HLE 这类硬知识题确实是短板（42.6 vs Opus 5 的 56.3），AA 指数里这类权重不低。
冗长度惩罚。AA 明确说它 250M tokens 的消耗是 "very verbose"，这在按 token 计费的综合评分里会拉低成本效率评分。

结论：Coding Agent / 终端自动化 / 长程任务场景，官方数据可信度高；通用对话、写作、知识问答场景，请以 LMArena 第 38 名为参考。

五、价格情况

5.1 官方定价（人民币 / 百万 tokens）

DeepSeek 官方定价表（人民币）

图 4：DeepSeek 官方定价表。左列为 deepseek-flash（支持图像理解，即 V4.1-Flash-1017），右列为 deepseek-v4-pro（不支持图像理解）。来源：官方 API 文档 [14]

项目	时段	`deepseek-flash`（1017，支持图像）	`deepseek-v4-pro`（不支持图像）
输入（缓存命中）	空闲	0.02 元	0.15 元
输入（缓存命中）	高峰	0.04 元	0.30 元
输入（缓存未命中）	空闲	1 元	4.5 元
输入（缓存未命中）	高峰	2 元	9.0 元
输出	空闲	4 元	13.5 元
输出	高峰	8 元	27.0 元
并发限制	—	2500	500

重点：高峰 / 空闲的定义（直接影响账单）

高峰：北京时间 周一至周五 9:00-12:00、14:00-18:00（不含中国法定节假日）
空闲：其余所有时段，含周末全天、法定节假日全天
空闲价 = 高峰价的 50%

也就是说：把批处理任务挪到晚上跑，成本直接砍半。

5.2 官方定价（美元 / 百万 tokens）

项目	时段	`deepseek-flash`	`deepseek-v4-pro`
输入（缓存命中）	空闲	$0.003	$0.022
输入（缓存命中）	高峰	$0.006	$0.044
输入（缓存未命中）	空闲	$0.15	$0.66
输入（缓存未命中）	高峰	$0.30	$1.32
输出	空闲	$0.60	$1.98
输出	高峰	$1.20	$3.96

来源：官方英文文档 [3]

5.3 新增的 Search / Fetch 计费

这次 1017 发布同时开放了自研搜索 API：

API	端点	计费单位	价格
Search	`POST /v1/tools/search`	每 1,000 次成功请求	5 元（$0.75）
Fetch	`POST /v1/tools/fetch`	每 1,000 次成功请求	5 元（$0.75）

来源：官方 Search & Fetch 文档 [15]

注意（重要时间点）：在 DeepSeek Harness / [CC] / Codex 里使用 DeepSeek API 时，Server 端工具调用已经会走 Search / Fetch，目前免费；但从 北京时间 2026 年 11 月 1 日 00:00 起开始按次计费 [3]。

一个重度 Agent 任务若触发 30 次搜索，就是 0.15 元——单看不多，但搜索密集型 Agent（如调研类）这块成本可能超过模型本身。

六、性价比分析

6.1 帕累托前沿：SWE 场景的性价比位置

这是最能说明问题的一张图——横轴是"每任务平均费用（人民币，对数刻度）"，纵轴是通过率：

DeepSWE v1.1 通过率与每任务费用帕累托图

图 5：DeepSWE v1.1 通过率 vs 每任务平均费用（人民币，对数刻度）。评测框架 mini_swe_v2，数据日期 2026-09-22。来源：官方发布材料 [1]

读图要点：

V4.1-Flash-1017 的 max 档：77.0% 通过率，成本约 1.5~2 元/任务，位于整张图的左上角"性价比拐点"；
the model 5 的 max 档：约 70% 通过率，成本约 90~100 元/任务；
也就是说，在 SWE 这个维度上，它用 1/50 的钱做到了更高的通过率；
但注意右侧的 GPT-6 Astra / the model 5 在 >100 元/任务 区间仍有 73% 以上的表现——说明在"极限难度"上，贵模型依然有存在意义。

弊端说明：这张图是官方用 mini_swe_v2 框架跑出来的，而 DeepSeek 恰好在该框架上是最高分（74.2 / 77.0）。换成 [CC] 框架，绝对值要按 4.4 节的表打折，但量级差距（1/50 成本）不会变。

6.2 实际账单算一遍

场景 A：单次仓库级 Code Review（缓存未命中，输入 1M，输出 50K）

模型	空闲时段	高峰时段
V4.1-Flash-1017	1 + 0.2 = 1.2 元	2 + 0.4 = 2.4 元
V4-Pro-0813	4.5 + 0.675 = 5.18 元	9 + 1.35 = 10.35 元

场景 B：多轮 Agent 会话（第 2 轮起输入全部缓存命中，1M 输入 + 50K 输出）

模型	空闲时段	高峰时段
V4.1-Flash-1017	0.02 + 0.2 = 0.22 元	0.04 + 0.4 = 0.44 元
V4-Pro-0813	0.15 + 0.675 = 0.83 元	0.30 + 1.35 = 1.65 元

重点：缓存命中价 0.02 元/百万 token 是什么概念？1M token 的输入只要 2 分钱。这是 Agent 多轮对话成本能压下来的根本原因——前提是 prompt 前缀保持稳定（system prompt + 仓库内容放在前面，动态内容放后面）。

弊端说明：缓存命中要求前缀完全一致。如果每轮都在 system prompt 里塞当前时间戳，缓存会全部失效，账单直接涨 50 倍。

6.3 成本优势的三个来源

把性价比拆开看，它便宜不是靠"参数小"，而是三个独立机制叠加：

来源	机制	贡献
算力	CED 让 Prefill 只跑 20 层、只激活 8B	Prefill 计算减半
显存	CSA2 跨层复用 + FP4 主 KV	全局 KV 降到 890 bytes/token（1/4）
存储与带宽	SWA Bounded Replay 让 SWA KV 不必持久化	持久化 KV 降到 1/8
多轮对话	缓存命中价 0.02 元 / 1M token	第二轮起成本趋近于零
推理控制	`reasoning_effort` 前重后轻的收益曲线	60~80 档拿到大部分精度、不到一半 token

重点：这五个机制是乘性叠加的，不是加性。这也是为什么它能做到 1/50 的量级差，而单纯的"小模型降价"做不到。

6.4 与竞品的性价比对照

维度	V4.1-Flash-1017	Opus 5 / GPT-5.6 Sol	Kimi K3 / GLM-5.3
SWE 能力（DeepSWE v1.1）	77.0	74.0 / 73.0	67.5 / 66.9
终端能力（TB 2.1）	90.6	89.1 / 88.8	88.3 / 88.2
硬知识（HLE）	42.6	56.3 / 44.5	43.5 / 42.0
SWE 单任务成本	约 2 元	90~100 元	数十元量级
输入价 / 1M	$0.15	高一个数量级	居中
上下文	1M	1M / 1M	更短
许可	MIT	闭源	宽松
可私有化	可以	不可以	可以

重点：这张表说明它是一个结构性优势而非全面优势——在 Agent 类指标上领先、在硬知识上落后、在价格上降维。选型时应该按"任务类型"而不是"综合分数"来决策。

七、短板与风险

7.1 六个必须注意的点

#	问题	具体表现	应对
1	Harness 打折	官方 77.0 是 mini_swe_v2 跑出来的，[CC] 只有 69.8	按实际框架实测，别直接引用官方峰值
2	Harness 版本	低于 0.2.1-rc.1 拿不到完整收益	升级 DeepSeek Harness，或确认所用框架已适配
3	输出冗长	AA 测出 250M tokens/套评测（中位数 130M）	用 `reasoning_effort=high` 而非 max；prompt 里约束输出长度
4	缓存易失效	前缀一动，成本涨 50 倍	system prompt 与仓库内容固定在前，动态内容放最后
5	Search/Fetch 开始收费	2026-11-01 00:00 起按次计费	搜索密集型 Agent 提前做成本测算
6	边界鲁棒性未知	官方承认 CSA2 选择误差、SWA 重建近似	接近 1M 上下文的场景必须自建压测集

7.2 官方自己划的能力边界

技术报告结论章节有一段很坦诚的话，值得原文引用 [9]：

虽然 benchmark 分数差距很小，但这种接近并不意味着模型在复杂、高难度推理和边界场景上达到了领先闭源系统的前沿能力。

这句话很重要。它提醒我们：benchmark 接近 ≠ 能力接近。在 Agent 类标准化任务上它确实追平甚至反超了，但在"没人测过的怪问题"上，差距依然存在。

7.3 一句话定位

它是给"跑得多"的场景准备的，不是给"问得刁"的场景准备的。

Agent / SWE / 终端 / 视觉 Agent → 第一梯队，且便宜 1~2 个数量级
通用对话 / 写作 / 知识问答 → 中上游（AA 39 分、LMArena 第 38）
硬核推理 / 科研 / 法务 → 仍是闭源旗舰的地盘

八、总结

8.1 四点结论

1017 是"架构不变、后训练发力"的更新。config.json 逐项一致，涨分全靠自反馈 RL + 大规模 Agent 任务合成。
架构创新的核心是 KV Cache 压缩。CED 让 Prefill 计算减半，CSA2 + FP4 让全局 KV 降到 890 bytes/token（V4-Flash 的 1/4、V1 的 1/437），SWA Bounded Replay 让持久化 KV 降到 1/8。
能力是结构性的，不是全面的。Agent 类指标第一梯队甚至第一，硬知识推理仍是明显短板。
性价比是乘性叠加的结果。算力、显存、存储、缓存、推理控制五个机制同时作用，才有 1/50 的量级差。

8.2 数字速记

参数：      552B backbone / Prefill 8B / Decode 16B
上下文：    1M 输入 / 384K 输出
KV：        890 bytes/token（V4-Flash 的 1/4，V1 的 1/437）
Prefill：   计算量减半
价格：      输入 1 元 / 输出 4 元 / 缓存命中 0.02 元（每百万 token，空闲时段）
SWE：       DeepSWE 77.0、Terminal-Bench 4.0 42.3、TB 2.1 90.6
成本：      约 2 元 / SWE 任务
第三方：    AA 智能指数 39、LMArena 第 38
许可：      MIT