DeepSeek 近日将开源权重模型 V4.1 Flash 更新至 1017 版本。从版本号看只是一次小修订，但实际在模型效率上迈出了不小的一步。该模型采用混合专家（MoE）架构，总参数 552B，运行时激活 16B，支持文本与图像多模态输入，上下文窗口为 100 万 token。DeepSeek 在产品页上打出“wish-driven programming made real”的口号，暗示其适合用宽泛描述驱动的开放式任务。
效率提升是这次升级的核心。从 V4 Flash 到 V4.1 Flash，KV 缓存所需的 HBM 降至前代四分之一，SSD 存储降至八分之一，每个 token 条目仅占 890 字节。DeepSeek 用 DeepSWE 数据集（9 月 2 日版本）绘制了每任务成本图，并加入 DSF 与 DSF-1017 两个数据点。两个版本都落在理想的左上角区域，即便是低算力运行的 DSF-1017，任务完成率也接近昂贵竞品的“最高”设置水平。需要说明的是，DeepSWE 只是众多基准之一，但这一结果仍颇具说服力。
价格方面，按 DeepSeek 自身定价（该模型为开源权重，可在任意平台运行），错峰时段每百万 token 输入 0.15 美元、输出 0.6 美元；缓存命中时输入成本低至 0.003 美元。第三方推理提供商过去曾给出比 DeepSeek API 更低的价格，因此实际成本可能进一步下探。DeepSeek 还提供搜索功能，每 1000 次查询 0.75 美元，低于竞品 Parallel 的 1 美元。
在 DeepSeek 内部基准中，该模型介于 GPT-5.6 Sol 与 Claude Opus 5 之间，部分任务测试甚至超过 Anthropic 的模型。但在第三方评测机构 Artificial Analysis 的智能指数中，DSF-1017（最高设置）在大型开源权重类别中仅排 第二，得分 45；该榜单最高的 Claude Opus 5.5（最高设置并启用回退）得分为 58。速度方面，它是同类中最快的模型之一，每任务成本仅高于小米的 MiMo V2.6-Pro。
然而，“快、便宜、可靠，三者只能选二”的规律依然成立。DSF-1017 的短板在于幻觉。Artificial Analysis 的 Omniscience 基准显示，该模型正确回答问题的比例为 43%，在开源权重模型中已属前列，但低于闭源竞品。更关键的是，在缺乏依据时它并不擅长跳过回答——其“非回答”中有 67% 实际是幻觉。该基准主指数对正确答案加分、错误答案扣分，不回答不计分，DSF-1017 仅得 5 分，而 Kimi K3-max 得 20 分，前沿模型则在 42 分以上。
这并不意味着 DSF-1017 能力不足，恰恰相反，它要求使用者谨慎选择任务类型。输出可验证的任务，如编程、带复核的 OCR、格式转换，模型可以通过验证步骤自我纠错，表现良好。但开放式研究、事实查询、高精度文档的解读或起草，则更适合前沿闭源模型或人工处理，因为幻觉难以被有效约束，结果可信度不高。
“快而松散”似乎正成为高性能开源权重模型的普遍趋势。几个月前 Kimi K3 发布时，外界同样盛赞其高效低价、以极低成本提供前沿级智能。但实际使用中，即便是简短精确的事实查询也会出现幻觉信息，Artificial Analysis 的数据也印证了这一点。尽管如此，开源权重模型在降低 AI 智能体绝对成本、以及在闭源模型可能涨价时充当压价工具方面，仍具有不可替代的价值。