DeepSeek 已将网页、App 和 API 的线上模型统一切换到 V4.1-Flash-1017，价格保持不变。官方称多项基准均有提升，并列出十一项成绩。但能与旧版直接对照的只有两项：DeepSWE 从 74.2 升到 77.0；HLE 从括号中的 44.0 回落到 42.6。
可比项目一升一降
官方列出十一项成绩，但直接可比的是两项。DeepSWE 新分数 77.0，上一版 74.2，涨 2.8 分；HLE 新分数 42.6，括号标注 44.0，降 1.4 分。其余九项只给新数字，没有旧值，无法逐项确认是否上涨。
这次涨跌的项目属性也不同。十一项中，只有 HLE 标注 w/o tools，即不给工具、不给网络，让模型闭卷完成难题。其余十项都需要开电脑、跑命令、看结果。回落的是闭卷推理项，上升的是动手执行项。
自反馈强化学习强调把任务做完
官方训练方法是自反馈强化学习：模型写完代码不马上提交，先自己运行一遍；出现报错就回头修改，再运行，直到通过。训练中，这种自查和修正会被计入奖励。
这让模型更偏向完成完整任务。官方演示包括故宫 3D 模型、网页版赛车、用 Godot 引擎复刻《传送门 2》，以及 Valley of Ages 3D 场景。这些任务都不是靠文字说明就能完成，而需要边做边试。
HLE 降 1.4 分是训练取舍，还是采样设置不同，官方没有说明。素材作者猜测是取舍，但表示没有依据。可以确认的是，从项目结构看，这一版模型更强调执行和任务完成。
Agent 账单的关键是重复内容
对开发者来说，这次更新里更实际的变化是交互轮次和成本结构。Agent 任务通常要来回几十轮，每轮都会重发要求、工具列表和项目代码。一个任务跑到底，输入可能有二十万字，模型自己回复只有一万多，输入是输出的十几倍。
DeepSeek 对重复内容单独定价：工作日白天为高峰，晚上和周末为空闲，两档差一倍；每百万字，重复过的内容收两分钱，没重复过的收一块，差五十倍。系统提示词固定、工具列表顺序稳定，有助于降低成本；每轮拼不同提示词，则可能拿到低价档。
素材还对比了智谱 GLM-5.3：输入八块、输出二十八块，重复内容两块；DeepSeek 是两块和八块，重复内容四分钱。按素材说法，输入输出差三到八倍，重复内容差五十到一百倍。
别用综合榜挑代码模型
GLM-5.3 在综合评测上高出六分，那类评测把知识、推理、数学混在一起，适合衡量写文案、答问题、做分析等杂活。但代码任务中，DeepSWE 上 DeepSeek 为 77.0，GLM-5.3 为 66.9；NL2Repo 为 68.2 对 58.0。
如果主要写代码、跑自动化，DeepSeek 更值得测试；如果需要综合能力更稳的模型，GLM-5.3 更合适。DeepSeek 的价格分时段，只在工作日白天跑任务，价格翻到两块和八块；不急的批处理、数据清洗挪到晚上，成本可对半。速度方面，有评测机构测得 DeepSeek 每秒吐两百多个字，GLM-5.3 五十几个，差四倍，多轮 Agent 任务中差距会累积。
DeepSeek 还开放了 Search 和 Fetch 搜索接口，一千次五块钱，十一月一号正式收费。对 RAG 和 Agent 查资料场景，这比单纯换模型更直接。
判断 V4.1-Flash-1017 是否合适，最直接的方法是挑一个最烦的实际任务跑二十遍，数它几次不用人工插手就能干完。
原创文章，作者：点点，如若转载，请注明出处：https://www.dian8dian.com/deepseek-xian-shang-mo-xing-qie-dao-v4-1flash1017-geng-hui
