官方叫做小幅更新的版本，把 11 项基准全抬了一截。
10 月 17 日下午，DeepSeek 把 V4.1 Flash 换成 V4.1-Flash-1017，权重当天挂上 Hugging Face 和 ModelScope，MIT 协议。
Terminal-Bench 4.0 从 31.2 跳到 42.3，抬了 11.1 分。DeepSWE v1.1 跑到 77.0，压过 Opus 5 的 74.0。
API 名没变，还是 deepseek-flash，价格没动。
官方说这是小幅更新，有人不答应模型卡里写的是 a minor update，对 V4.1-Flash 的小版本更新。
Hugging Face 联合创始人 Thom_Wolf 留下一句话。我们已经渐渐习惯了，但 DeepSeek 管这叫小幅更新，同时把 Terminal-Bench 4.0 从 31.2 提到 42.3，真的很好笑。
图1、他就此留下一段话
11 项基准，全在涨官方列了 11 项基准，同台对比上一版与 Kimi K3，GLM-5.3，GPT-5.6 Sol，Claude Opus 5，全部上涨，涨幅 2.0 到 11.1 分。
图2、官方文档里的同台对比表
四项在表里排第一。DeepSWE v1.1 拿到 77.0，Automation-Bench 60.5，Agents' Last Exam 35.4，Apex Bench 72.1。
涨得最猛的是 Terminal-Bench 4.0，越过 GPT-5.6 Sol 的 39.9，是表里国产最佳。Kimi K3 只有 12.6。
官方定性是帕累托改进，还强调是在多个 Harness 下达成的。能力上限抬高的同时，运行时间与输出长度一起缩短，综合成本往下走。
单任务费用，降了约六成官方那张成本图上，上一版 V4.1 Flash 的 max 档每任务约 3.3 元，1017 的 max 档约 1.3 元。
便宜写在架构里。552B 骨干加 196B Engram，每 Token 只激活 8B 输入，16B 输出。40 层对半拆成编码器与解码器，预填充近乎减半。
CSA2 把全局 KV 压到每 Token 890 字节，约上一代四分之一。上下文 100 万 Token。
价格也摆着。输入每百万 Token 0.15 美元，输出 0.60 美元，峰时翻倍，缓存 0.003 美元。
这张图的横轴是每任务费用，人民币对数刻度，纵轴是 DeepSWE v1.1 通过率。1017 max 以 77.0% 趴在约 1.3 元，Claude Opus 5 与 Fable 5 要花 50 到 100 元才爬到 70% 上下。官方注明模型数据截至 9 月 22 日，汇率按 1 美元兑 6.6862 元折算。
图3、官方文档里的性能成本图
X 上的 Chubby 把它和另外三家摆在一块。
图4、四家 token 单价对照
第三方只认 9 月那一版Artificial Analysis 收录的还是 9 月的 V4.1 Flash，1017 未独立评测。
图5、AA 页面上的四项指标
它给上一版的成绩是，智能 39，120 个模型里第 9。每秒 175.9 Token，第 7。每任务 0.27 美元。
还有一项它排最后。46 个模型里垫底，跑完智能指数吐出 2.5 亿输出 Token，是中位数 1.3 亿的近两倍。原话 notably fast, however very verbose。
这恰好对上官方主打的缩短输出长度。改进是冲着毛病去的，1017 有没有改好要等复测。
Thom_Wolf 也留了保留。少用 Token 是成本曲线崩塌最实用的方式，却常被当作事后补救。他好奇这些数字在自己的评测设置外能撑多久。
图6、他留下的那句保留
五分钟建出一个小熊，然后开始钻牛角尖官方把这叫许愿式编程，靠的是自反馈强化学习。演示里只给一句话，它就在 Harness 里建出故宫的 3D 建模，一个网页版赛车游戏，基于 godot 引擎复刻的《传送门2》，还有 Valley of Ages 的 3D 场景。X 上的实测来得比评测快，以铁粉出名的 teortaxesTex 放了段视频，5 分钟就建好了。
图7、他放出的那段实测
他给了两句评价。这些毫无疑问比 Opus 做的更好，比 V4.1 强了不少。
同一个 prompt 下，Opus 也建出了基本一样的东西，但物理效果被爆炸毁了。他给了一轮反馈，第二次才完全自主。他记下的 API 成本，Opus 约 2 美元，DeepSeek 约 1 美元。
另一条帖子他说，快只维持到九成。
图8、他说的那个九成界线
这不是孤例。GitHub 上有个仍开放的 issue，长任务上下文压缩成功后，模型反复自称余量不足提前停工，而记录的输入只占窗口 44% 到 47%。它不是没空间，是自以为快没空间。超过 100K 后每秒输出掉到不足 100，近 200K 时约 50。
多模态也仍够用。有实测者拿它照图画出小米 SU7 的 SVG。
还有一层。这 11 项基准几乎全出自 DeepSeek 自测，连评测框架也是它定的，无独立复现，当结论还早。
顺手开放的，还有搜索引擎同一天，DeepSeek 自研搜索引擎的 Search 与 Fetch 也向公众开放，每千次 5 元。它每天处理数亿次请求，索引千亿级网页，过滤 SEO 作弊，GEO 操纵与低质 AIGC。Harness，Claude Code 与 Codex 已能调用，这部分暂未计费。
11 月 1 日零时起按次收费。官方还点名适配腾讯 CodeBuddy 和 WorkBuddy，建议 Harness 升到 0.2.1-rc.1 以上。
被叫做小幅更新的更新，动了基准，账单和工具箱。
真正值得盯的不是分数，是复测之后还剩多少？下一个问题也许是 Pro 什么时候来？