DeepSeek 近日将其 V4.1 Flash 开源模型升级至 1017 版本。此次更新虽版本号变动微小，却在模型效率上实现显著突破。产品页面标语“让愿望驱动编程成为现实”暗示该模型适配“氛围编程”（vibe coding），擅长处理描述宽泛的开放式任务。尽管具备低成本与高评分优势，但该模型仍存在明显的幻觉问题。
架构优化与效率跃升
DeepSeek V4.1 Flash (DSF) 采用混合专家（MoE）架构，总参数量 5520 亿，运行时激活参数仅 160 亿。作为多模态模型，它支持文本和图像输入，上下文窗口长达 100 万 token。
相较于前代，V4.1 Flash 在硬件资源占用上大幅缩减：KV 缓存仅消耗前身四分之一的 HBM 带宽和八分之一的 SSD 存储空间，每个 Token 条目仅需 890 字节。DeepSeek 内部基准测试显示，其性能介于 GPT-5.6 Sol 和 Claude Opus 5 之间，并在部分任务中超越 Anthropic 的大语言模型。基于 9 月 2 日 DeepSWE 数据集的成本分析表明，DSF-1017 即便在低效运行模式下，完成率也能媲美昂贵竞争对手的“最大”配置。
极具竞争力的定价策略
在定价方面，DeepSeek 非高峰时段每百万 Token 输入价格为 0.15 美元，输出价格为 0.6 美元。若缓存命中，输入 Token 成本低至 0.003 美元。此外，其搜索功能每 1000 次查询收费 0.75 美元，低于 Parallel 等竞争对手的 1 美元定价。值得注意的是，第三方提供商价格可能更低，用户可通过比价进一步优化成本。
性能与幻觉的博弈
尽管效率出众，DSF-1017 在可靠性上存在短板。Artificial Analysis 智能指数显示，其在大型开源权重类别中排名第二，得分为 45，落后于 Claude Opus 5.5 (max with fallback) 的 58 分。更关键的是，在“全知基准测试”中，该模型正确回答比例仅为 43%，且有 67% 的非回答内容属于幻觉，最终得分仅 5 分，远低于 Kimi K3-max 的 20 分及前沿模型的 42 分以上。
这意味着 DSF-1017 并非无能，但在应用时需审慎选择场景。对于编程、带审查的光学字符识别（OCR）及格式转换等具有可验证输出的任务，智能体可通过验证步骤重试，表现尚可；而对于开放式研究、事实查找或高精度文档起草，由于幻觉难以控制，建议由前沿模型或人工处理。
这种“快速且宽松”的特性似乎正成为高能力开源模型的趋势。正如此前 Kimi K3 发布时引发的讨论，开源权重模型通过极低价位提供接近前沿的智能水平，虽在绝对可靠性上不及专有模型，但显著降低了 AI 智能体的使用门槛，并为应对潜在的前沿实验室价格上涨提供了成本缓冲方案。