2026 年 10 月 17 日，DeepSeek 把 V4.1 Flash 换成 V4.1-Flash-1017 检查点，网页端、App 与 API 同步切换，权重以 MIT 许可开源。官方同时给了两个数字：DeepSWE v1.1 单任务通过率 77.0%，平均单任务费用从约 3.3 元降到约 1.3 元。这一次不是换了模型，是同一款模型换了配方。
版本号里的 1017 是日期，不是代际。这个区别决定后面所有数字该怎么读：参数量没动，上下文没动，能变的地方只剩下训练数据、训练方法，以及模型在环境里干活的习惯。
架构没变，价格也没变
模型配置文件与 9 月 10 日那一版一致：763B 规模、1M 上下文、最多 384K 输出。API 的型号和价格同样没动，非高峰时段输入 0.15、输出 0.60 美元每百万 token。
对已经接入的团队来说，这是最省心的一种升级：不用改调用代码，不用重新做成本测算，也不用重跑一遍回归测试。只有权重变了，接口约定一个字没改。
图 1：保持 763B 规模与 1M 上下文，API 定价未变
自测分数全线抬升
官方给出的五组前后对照，用的是同一套评测：
- Terminal-Bench 4.0：31.2 升到 42.3
- ProgramBench：20.3 升到 29.1
- Humanity's Last Exam（无工具）：36.8 升到 42.6
- DeepSWE v1.1：74.2 升到 77.0
- NL2Repo-Bench：65.4 升到 68.2
涨幅集中在前几项。Terminal-Bench 4.0 一次抬了 11.1 个点，ProgramBench 抬了 8.8 个点，Humanity's Last Exam 在没有工具的条件下也涨了 5.8 个点。这几项的共性是不靠背知识，而靠把一串步骤在真实环境里跑完——分数涨在这里，说明涨的是执行力，不是记忆量。
图 2：编码与终端任务的自测成绩全线抬升
比分数更有商业意义的是那六成费用
平均单任务费用从约 3.3 元降到约 1.3 元，降幅约六成。价格表没改，架构没改，钱只能是从过程里省出来的：同一个任务用了更少的步骤、更少的来回、更少的失败重试。
对做选型的人来说，这两个数字的权重完全不同。基准分数决定第一印象，单位任务成本决定一个功能能不能留在生产环境里。一个每天跑十万次任务的系统，单任务从 3.3 元变成 1.3 元，账不用细算。
还有一层容易被忽略：token 单价不变而任务费用大跌，意味着同样的预算可以跑更多轮 agent 循环。对 agent 场景来说，便宜六成等价于能多想几步。
同一天还开了两个搜索接口
Search 与 Fetch 两个接口对外开放，定价 5 元每千次；11 月 1 日起，在第三方 harness 内调用开始计费。官方称已针对 DeepSeek Harness、腾讯 CodeBuddy、WorkBuddy 等框架做适配，Harness 需要升到 0.2.1-rc.1 以上。
这两件事得连起来看：模型开始自带检索能力，检索又被单独标价。前者是能力边界往外推了一格，后者是账单上多了一行。
自测、口碑与那次五小时中断
有三件事必须一起说清楚：
- 所有基准都是 DeepSeek 自测，目前没有第三方榜单收录这个版本
- 10 月 15 日，其 API 曾中断近 5 小时
- 权重以 MIT 许可开源，商用、微调、蒸馏都没有附加限制
第一条决定这些分数只能当参考，第二条提醒自建与托管是两种风险，第三条是这次更新里最实在的部分——MIT 许可是真开源，不是只放权重不给用。
一个自测榜第一，替代不了一次独立复现。想在生产里用，最稳的做法是自己挑二十个真实任务，用旧版和新版各跑一遍，看费用与通过率对不对得上。
个人观点
这次更新最值得学的不是分数，是方法。架构不动、价格不动，把训练配方和 agent 能力重做一遍，就把单任务成本砍掉六成——这条路比堆参数便宜得多，也比换模型快得多。
但它也暴露了一个行业习惯：新版本发布时，最响的声音总是自测分数。分数是自己出的，评测是自己设计的，连对比表都是自己排的。等到第三方榜单收录、等到别人复现出接近的数字，才轮到相信。
对普通用户，动作很简单：网页端和 App 已经切过去了，用不用得上，试两个自己最熟的任务就知道。对企业，动作要慢一点：先小流量并行跑，把费用和失败率对齐了再放量。省下来的钱是真的，前提是省的不是可靠性。
更新时间：2026-10-18