DeepSeek 的动向引发热议，前几天其服务发生崩溃，随之而来的猜测果然应验，DeepSeek-V4.1-Flash-1017 正式发布。虽然是小版本更新，但模型的能力提升显著。官方说明指出，1017 在推理、编程、Agent 任务和视觉基准上都有显著提升，任务执行时间缩短，输出长度减少，多项性能与成本上的平衡得到改善，整体表现更强大且高效。

在 11 项基准测试中，1017 相比原版都有提升，DeepSWE v1.1 达到 77.0，成为所有模型中的最高分，其他如 GPT-5.6 Sol 和 Opus 5 的得分也不及此；在 Automation-Bench、Agents’ Last Exam 和 Apex Bench 中，1017 同样夺得第一。同时，HLE、Terminal-Bench 4.0 等任务上，竞品依然占优。

V4.1-Flash 的底层基础设计略显出色，官方强调其 KV Cache 压缩的极限推进。其架构采用 40 层的 Causal Encoder-Decoder 结构，由 20 层编码器和 20 层解码器组成。参数配置方面，552B 的骨架参数在输入时仅激活 8B，对 Agent 场景尤其友好；稀疏注意力结合 KV 缓存大幅减少每 token 的内存消耗；原生多模态能力使其能处理1M tokens的上下文。 乐玩游戏官网

推理强度也可灵活调节，从 1 到 100 此次开源的模型文件没有附带 Jinja 聊天模板，而是提供了一个自包含的 Python 实现，支持多轮对话等功能。在生产环境中，可以使用 deepseek-recipe 来统一请求。推荐的采样参数为 temperature 1.0、top_p 1.0、1M 的上下文窗口。

此外，DeepSeek 的 API 文档中新增了 Search & Fetch 功能，专门为 Agent 提供实时网页数据支持，允许用户使用过滤器进行搜索。每 1000 次请求收费 0.75 美元，成功请求计费，而空结果和失败请求则收费为零。服务的工具调用在正式计费前均免费。

这样的更新让 DeepSeek 在 Agent 基准上与顶级模型竞争，并有效降低了使用成本，同时结合了 Search & Fetch 功能，展示了其更全面的能力，为用户提供一站式的“智能大脑与视力”解决方案。 乐玩游戏官网