DeepSeek-V4.1-Flash-1017 发布：基准测试、MIT 许可证及弃用 Jinja 聊天模板
DeepSeek-V4.1-Flash-1017 是 DeepSeek-V4.1-Flash 的一个小版本更新。据 DeepSeek 称，该版本在推理、编码、智能体任务和视觉基准测试方面均有显著提升，同时缩短了任务执行时间和输出长度。模型权重和代码库采用 MIT 许可证发布，且该版本特意移除了 Jinja 格式的聊天模板，转而采用 Python 参考实现方案以及一个独立的 Rust 工具包。
该公告在 Hacker News 上获得了 610 分和 533 条评论。讨论主要集中在基准测试表格、“Flash”模型的定价与速度影响，以及这些性能提升在 DeepSeek 自身评估之外是否依然成立。
基准测试结果：DeepSeek-V4.1-Flash-1017 在几乎所有列出的基准测试中击败了 K3 和 GLM-5.3，但在大多数测试中仍落后于 Opus 5
模型卡发布了一份包含 11 项基准测试的对比，涵盖了 DeepSeek-V4.1-Flash、K3、GLM-5.3、GPT-5.6 Sol 和 Opus 5。
| 基准测试 | DS-V4.1-Flash-1017 | DS-V4.1-Flash | K3 | GLM-5.3 | GPT-5.6 Sol | Opus 5 |
|---|---|---|---|---|---|---|
| HLE w/o tools | 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 (w/tools) | 83.0 | 78.9 | 68.1 | — | 79.9 | 84.0 |
| BabyVision (w/tools) | 92.5 | 89.6 | 85.7 | — | 88.9 | 94.1 |
| ZeroBench-main (w/tools) | 51.0 | 49.0 | 41.0 | — | 53.0 | 52.0 |
† 表示 HLE 的纯文本子集。DeepSeek 在 Terminal-Bench 4.0 中使用了 Claude Code 工具链，在 DeepSWE v1.1 中使用了 Mini-SWE-V2 工具链。
表格中的关键事实：
- 相比 DeepSeek-V4.1-Flash，单项提升最大的是 Terminal-Bench 4.0，从 31.2 提升至 42.3（+11.1 分）。
- ProgramBench 从 20.3 升至 29.1（+8.8），Apex Bench v1.1 从 64.6 升至 72.1（+6.6），Automation-Bench v1.0.6 从 54.8 升至 60.5（+5.7）。
- 在与 K3 的对比中，DeepSeek-V4.1-Flash-1017 在 11 项基准测试中的 10 项领先；K3 仅在 HLE w/o tools 上领先（43.5 对 42.6）。
- 在与 GLM-5.3 的对比中，DeepSeek-V4.1-Flash-1017 在双方均有公布数据的每一项基准测试中均领先，包括 HLE（42.6 对 42.0†）。GLM-5.3 没有公布 Chartography、BabyVision 或 ZeroBench-main 的分数。
- 在与 GPT-5.6 Sol 的对比中，DeepSeek-V4.1-Flash-1017 在 11 项基准测试中的 9 项领先；GPT-5.6 Sol 在 HLE w/o tools（44.5 对 42.6）和 ZeroBench-main（53.0 对 51.0）上领先。
- 在与 Opus 5 的对比中，DeepSeek-V4.1-Flash-1017 在 11 项基准测试中的 4 项领先：DeepSWE v1.1（77.0 对 74.0）、Automation-Bench v1.0.6（60.5 对 50.3）、Agents' Last Exam（35.4 对 28.6）和 Apex Bench v1.1（72.1 对 65.8）。Opus 5 在 HLE、Terminal-Bench 4.0、ProgramBench、NL2Repo-Bench、Chartography、BabyVision 和 ZeroBench-main 上领先。
“小版本更新”的措辞引起了即时关注
模型卡将 DeepSeek-V4.1-Flash-1017 称为“一个小版本更新”，同时又描述其带来了“显著提升”——这种措辞让几位评论者觉得很有趣。
“滑稽的句子：‘DeepSeek-V4.1-Flash-1017 是 DeepSeek-V4.1-Flash 的一个小版本更新，在推理、编码、智能体任务和视觉基准测试方面带来了显著提升。’（重点是我加的）”
另一位评论者更直接地指出了这一点：
“在展示出显著提升的基准测试之前，他们称之为‘一个小版本更新’。”
提示词编码：无 Jinja 聊天模板，但提供 Python 参考实现和 Rust 工具包
DeepSeek-V4.1-Flash-1017 不包含 Jinja 格式的聊天模板。相反，encoding 文件夹包含一个独立的 Python 参考实现（encoding.py），其中涵盖了多轮对话、工具调用、思考模式、数值推理工作量、对话中途的系统消息以及交错图像内容的测试用例。
对于生产环境使用，DeepSeek 额外发布了 deepseek-recipe，这是一套带有 Python 绑定的 Rust 库，作为维护良好的、感知协议的工具包提供相同的提示词格式。根据模型卡，deepseek-recipe 可以：
- 将消息、聊天补全和响应 API 请求转换为对话格式。
- 将它们编码为 DeepSeek V4 和 V4.1 的提示词或 Token ID。
- 将模型输出解析回完整或流式的响应，涵盖思考过程、工具调用、图像和生成设置。
模型推理、工具执行和 HTTP 传输留给调用者处理。
一位 Hacker News 评论者直接问道：“为什么没有 Jinja 格式的聊天模板？”在提供的讨论中，DeepSeek 并未给出回答。
最小推理和推荐采样参数
模型卡指向 inference 文件夹，以获取有关权重转换和本地运行推理的说明。推荐的采样参数如下：
| 参数 | 值 |
|---|---|
temperature |
1.0 |
top_p |
1.0 |
context_window |
1M tokens |
max_tokens |
≥ 256K |
许可证和引用
代码库和模型权重均采用 MIT 许可证授权。模型卡提供了以下引用：
@misc{deepseekai2026deepseekv41flash,
title={DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression},
author={DeepSeek-AI},
year={2026},
}
技术报告在 DeepSeek-V4.1-Flash 代码库中以 DeepSeek_V41_Tech_Report.pdf 的形式链接在模型卡中。
Hacker News 讨论补充了什么
报告的优势：价格、速度和开放权重
几位评论者将此次发布视为一种强大的性价比成果，而非单纯的能力记录。
“考虑到价格和速度，看起来非常令人印象深刻。让我们等待 AA 确认他们的基准测试表现如何。”
“它比 GLM 5.3 和 Kimi K3 更好，而且便宜得多。”
“击败 K3 和 GLM-5.3 有点疯狂。”
“对于一个 Flash 模型来说，这些数字太疯狂了。希望他们能将所做的工作扩展到 4.1 Pro 上。”
一位评论者将此次发布与更广泛的开放权重可用性联系起来：“开源 AI 的又一次重大胜利。”另一位写道：“感谢 DeepSeek，我们今天大饱口福了。”
报告的劣势：过度思考和 Token 消耗
最实质性的负面数据点来自一位评估过早期 DeepSeek Flash 模型的评论者：
“我们评估过之前的 DeepSeek Flash 模型（原始的 4.1 flash 和更小的 4.0 flash），它们都有过度思考的问题。我们的工作负载是定义明确但难度适中的编码任务，在开放权重模型中，GLM5.3 flash 表现最好，Qwen3.8 flash 紧随其后。DeepSeek 4.1 flash 在较低的思考水平上失败，而在能够成功完成任务的最高思考水平上消耗了大量的 Token（多出一个数量级）。我会评估这个最新版本，因为他们明确声称‘该模型减少了任务执行时间和输出长度’，但我对此不抱太大希望。”
本地部署成本和对更小变体的需求
“在 GLM 5.3 之上，不错！那是一个非常有能力的模型。不过我确实希望我们能再次看到一些更小的‘flash’模型——在本地运行这个模型很困难（成本非常高）。”
线程中的相关请求包括用于 DS-4.1-Flash 的 Unsloth 量化版本以及该模型更小的 MoE 蒸馏版本。
可用性、工具链和 API 可靠性
一位评论者报告称该模型已经在 OpenCode 中可用：“他们一定在 2-3 天前它在 OpenCode 中再次免费时就开始使用了，它明显更聪明，击败了 GLM。”另一位问道：“它会进入 OpenCode 等平台吗？”第三位询问人们在使用这些模型时更喜欢哪种编码工具链。
一位使用 OpenRouter 端点的评论者报告了速率限制失败，并分享了一个可行的配置：
“从 OpenRouter 的端点收到了很多错误‘Failed to get response from the AI model; retried 5 times (total retry wait time: 60.71 seconds) Last error: 429 Provider return error’。它能用的时候确实能用，但未来几天可能会非常不稳定。”
同一位评论者列出了 Copilot 设置的环境变量：COPILOT_PROVIDER_API_KEY=<OR key>, COPILOT_PROVIDER_BASE_URL=https://openrouter.ai/api/v1, COPILOT_MODEL=deepseek/deepseek-v4.1-flash-1017, COPILOT_PROVIDER_MAX_PROMPT_TOKENS=1048576, COPILOT_PROVIDER_MAX_OUTPUT_TOKENS=700000, 以及 COPILOT_OFFLINE=true。他们指出“目前还没有关于大多数工具链的安全完成限制的详细信息”，并且 OpenRouter 将提示词和输出都列为 1M，“这毫无意义。”
报告的局限性与 Opus 5 的对比
一位长期的 DeepSeek 用户在 UI 设计方面划定了一条界限：
“我是 DeepSeek 的忠实粉丝，但在 UI 设计上它无法与 Opus 5.5 相提并论。我有时会订阅 20 美元的 Claude，有时取消，配合 DeepSeek API 使用感觉很棒。”
数据处理和安全问题
“PSA：如果你使用他们的端点和/或工具链，DeepSeek 会在你的会话上进行训练。我是共产主义者，所以我没问题，但你可能不是，所以请注意。”
另一位评论者提出了关于开放权重的推测性担忧：“安全公司是否考虑过这些开放模型即使在中国境外部署时也可能被用作潜伏特工？这是一个严重的攻击向量还是更像科幻小说？”在提供的线程中没有记录任何回答。
轶事能力报告
一位评论者声称实现了一次性提示词构建游戏：“Mario 被 deepseek-v4.1-flsh-1017（在高模式下，甚至不是最大模式）一键生成，带有声音和程序生成的资产，用时不到 5 分钟。”另一位报告称该模型“早在 DS4 时就达到了我不关心尝试新模型的门槛”，并补充说该系列的新版本“让人感到好奇，因为感觉似乎没什么剩下的需要修复了。”
对基准测试的认知
一位评论者指出对 BabyVision 基准测试不熟悉，并链接到了 arXiv 论文 2601.06521。另一位对表格表现出公开的怀疑：“这些基准测试不可能真实，对吧？对吧？”——这提醒人们，上述数字是 DeepSeek 自己公布的结果，而非第三方验证。
尚未验证的内容
模型卡的基准测试表格由 DeepSeek 自行报告。Hacker News 线程中没有包含对这些分数的独立复现，至少有一位评论者明确表示在得出结论之前会等待第三方评估。关于过度思考和 Token 消耗的抱怨适用于之前的 DeepSeek Flash 模型，而非专门针对 DeepSeek-V4.1-Flash-1017，且提出该抱怨的评论者在发帖时尚未测试过新版本。
Sources
相关
- Dispatch
- Dispatch
- Dispatch
- Dispatch
- Dispatch