DeepSeek 新 Flash：该记住的是每题 0.2 美元，不是「赢了 Opus 5」
DeepSeek 更新 Flash 并开源权重。自测 11 项里只有 4 项超过 Opus 5，更实在的是同一测试每题成本从约 0.5 降到约 0.2 美元；独立评测还没出。
10 月 17 日这个周六，一个把 deepseek-v4-flash 写死在配置里的开发者，什么都没改，调用的已经是另一个模型了。据 DeepSeek 的 API 文档，旧名字 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 仍然可以用，但对应的模型已经退役，请求全部交给 10 月 17 日上线的 DeepSeek-V4.1-Flash-1017，按 Flash 的价格计费。
这次更新最该记住的一句是：在 DeepSeek 自己测的编程任务上，每道题的成本从约 0.5 美元降到约 0.2 美元，分数还略有上升。至于「赢了 Opus 5」，按它自己公布的成绩表，11 项里只赢了 4 项。成本这件事比排名更实在，但它同样是厂商自测，独立评测还没有出来。
发生了什么
据 DeepSeek 发布说明，V4.1-Flash-1017 同时上线网页、App 和 API，权重在 Hugging Face 和 ModelScope 公开。官方的说法是「更好的成绩、更快完成任务、更短的输出」，并称之为性能与成本之间的帕累托改进。发布说明附了一张 DeepSWE v1.1 的「通过率对每题成本」图，注明用 mini-swe-v2 框架测试。同一天，DeepSeek 还把自家搜索引擎开放成 Search 和 Fetch 两个接口，每 1000 次调用 0.75 美元。
Hugging Face 上的模型卡给出了 11 项成绩，许可证是 MIT，并注明这是对 V4.1-Flash 的一次「小更新」。下面几个数字都是厂商自测（企业宣称）：
- DeepSWE v1.1：77.0，上一版 74.2，Opus 5 为 74.0，GPT-5.6 Sol 为 73.0。
- Terminal-Bench 4.0：42.3，上一版 31.2，是 11 项里涨得最多的一项；Opus 5 为 51.8。
- HLE（不用工具）：42.6，Opus 5 为 56.3。
先拆「赢了谁」
把成绩表逐列对一遍，结论比标题朴素得多。
- 对上一版 V4.1-Flash，11 项全部提高，幅度在 2.0 到 11.1 分之间。这是这张表最站得住的结论：同一家、同一套测法、前后两个版本。
- 对 GPT-5.6 Sol，11 项赢 9 项，输在 HLE 和 ZeroBench。
- 对 Opus 5，只赢 4 项：DeepSWE、Automation-Bench、Agents’ Last Exam 和 Apex Bench。HLE、Terminal-Bench、ProgramBench、NL2Repo-Bench 和三项看图测试，Opus 5 都更高。
还要看对手是哪一代。据 The Decoder 的报道，DeepSeek 的成本图里出现了 GPT-6 Astra，报道同时提到 Anthropic 近期已发布 Opus 5.5；但成绩表里放的是 Opus 5 和 GPT-5.6 Sol。所以「超过更大的对手」这句话，要加上两个限定：只在部分编程和智能体测试上成立；只针对成绩表里列出的这两款，不包括同一张成本图里出现的 GPT-6 Astra，也不包括报道提到的 Opus 5.5。
再看「每题多少钱」
成本那张图是这次真正的新东西。据 The Decoder 对这张图的读数，新版在 DeepSWE 上拿到 77.0% 时平均每题不到 0.2 美元，低档设置下约 0.1 美元也能过 72%；上一版 74.2% 的成绩每题约 0.5 美元；GPT-6 Astra、Gemini 3.8 Flash 和 Opus 5 在这张图上落在每题 2 美元到 10 美元以上。
钱是从哪里省下来的？发布说明没有提到调价。按价格页，deepseek-flash 现行高峰价为每百万输入词元 0.3 美元（未命中缓存）、每百万输出词元 1.2 美元，非高峰时段减半，周末全天按非高峰计。
分析推断：在单价没有公开变化的前提下，每题成本从约 0.5 美元降到约 0.2 美元，意味着同一道题花掉的词元费用少了六成左右，主要应来自用量减少，这和官方「输出更短、完成更快」的说法方向一致。依据是价格页的现行单价与发布说明里没有调价的表述；如果 DeepSeek 实际按不同费率或不同时段计算这张图，这个比例就要重算。
我的看法是：对用 Flash 跑智能体任务的人，这比多赢几项榜单更有用，因为账单是按词元算的，不是按名次算的。但我只把它当作一个待验证的说法，不当作已知事实。
最强反方
最有力的反驳是：同一家公司、同一套框架、前后两个版本对比，恰恰是厂商自测里最可信的一类，因为测法不变，变的只有模型；成本图也是按同一套测试算出来的，没理由只信分数不信成本。再说，拿成绩公开、口径可查的 Opus 5 和 GPT-5.6 Sol 作对照并不离谱；一个 Flash 档的开放权重模型能在 DeepSWE 上压过它们，本身就值得写进标题。
我在这里让步：版本之间的对比我认为基本可信，「11 项全部提高」我不打折扣。但我仍坚持论点。第一，「赢了 Opus 5」只在 4 项上成立，标题式的概括会让读者以为是全面超过。第二，每题成本取决于框架、推理档位、缓存命中和计费时段，图上只注明了框架，其余条件没有写；独立评测用别的框架复测，数字可能差很多。等 Artificial Analysis 这类第三方给出同口径的按任务成本，我会按它们的数据改口。
我们不知道什么
截至北京时间 10 月 17 日晚，Artificial Analysis 的更新日志最新条目停在 10 月 16 日，还没有 V4.1-Flash-1017 的评测，第三方成绩与按任务成本都还没有。我们也不知道成本图采用的推理档位、缓存命中率和计费时段，不知道 DeepSWE v1.1 的题目和 mini-swe-v2 框架会不会偏向这一类模型，也不知道旧名字被切到新模型后，原有用户的输出风格和稳定性有多大变化。
接下来看什么
三件事：第三方评测出来后，DeepSWE 和 Terminal-Bench 的成绩能保住多少；按任务成本在别的框架里是否仍在 0.2 美元一档；以及把旧名字直接切到新模型的做法，会不会让依赖固定版本做实验的团队改用带日期的模型名。DeepSeek 文档里还写着，Search 和 Fetch 经由服务端工具的调用将从北京时间 11 月 1 日零点开始计费，到时候智能体任务的总账单也要把这一项算进去。