DeepSeek 发布 V4.1-Flash-1017：MIT 开源权重、智能体编程登顶且成本降六成

10 月 17 日，深度求索发布 V4.1-Flash-1017 模型更新，以 MIT 许可在 Hugging Face 与 ModelScope 开放权重，DeepSWE v1.1 拿到 77.0 分、高于 Claude Opus 5 与 GPT-5.6 Sol，单次任务成本约 0.20 美元、较此前降约六成。

新闻原文

10 月 17 日，深度求索（DeepSeek）发布 V4.1-Flash-1017 模型更新，以 MIT 许可在 Hugging Face 与 ModelScope 开放全部权重，官方网站、App 与 API 同步上线，模型名保持 deepseek-flash 不变，已有应用无需改代码即可升级。

在衡量仓库级软件工程的 DeepSWE v1.1 基准上，新检查点拿到 77.0 分，较上一版 74.2 提升 2.8 个百分点，也高于其对照表中 Anthropic Claude Opus 5 的 74.0 与 OpenAI GPT-5.6 Sol 的 73.0；Terminal-Bench 4.0 从 31.2 跃升至 42.3，Automation-Bench、Agents' Last Exam、Apex Bench 等同步走高。

更关键的是成本：DeepSeek 称同一基准任务单次花费约 0.20 美元，较此前约 0.50 美元下降约六成。模型约 7630 亿参数、文件约 510GB，提供 fp8、INT8、BF16 三种精度，上下文窗口 100 万词元、输出上限 384K，推荐采样温度 1.0、top_p 1.0。

配套上，DeepSeek 将自研搜索引擎以 Search 与 Fetch API 开放，每千次调用 0.75 美元；在 DeepSeek Harness、Claude Code、Codex 内通过服务端工具调用则免费至 2026 年 10 月 31 日。峰值定价为每百万输入 0.30 美元、输出 1.20 美元。训练采用 RLSF（带自我反馈的强化学习），并针对 DeepSeek Harness v0.2.1-rc.1 及腾讯 CodeBuddy、WorkBuddy 做了优化。

企服观察

深度求索这步最锋利的不是分数，而是把“又好又便宜”焊死在了一起。过去开源模型常陷两难：要么性能追不上闭源，要么便宜但拉胯；V4.1-Flash-1017 在 DeepSWE 上拿到 77.0 的同时把单次任务成本压到约 0.20 美元，等于把性能-成本帕累托前沿又往前推了一截。

它选在智能体（agentic）这一层发力，而非单纯拼聊天能力，这一点很关键。今天企业真正愿意掏钱的，是模型能不能自己规划、改文件、跑命令、把一整个项目跑通，而不是回答一道漂亮的问答题。DeepSeek 把优化重心压到这条生产线上，正好踩在企业支出的集中地。

MIT 许可是这则新闻里最被低估的变量。相比自定义开源协议，MIT 几乎把法律顾虑清零——企业可商用、可改、可再分发，法务不需要逐条审条款。对于想把大模型塞进自家产品又怕许可埋雷的团队，这是一记精准的安心丸。

模型名保持 deepseek-flash 不变，是个容易被忽略但极重要的产品细节。已有调用代码无需改动就能升级，意味着企业不会因为一次更新而被迫重写集成层，这种向后兼容的克制，恰恰是 B 端客户最看重的稳定性。

把自研搜索引擎以 Search 与 Fetch API 开放，并短期免费，透露出 DeepSeek 的野心不止于卖模型，而是做智能体时代的工具链中枢。当检索、抓取、推理被打包成同一套可调用能力，模型就从孤立的大脑变成了能动手的员工。

但必须冷静看待数字来源。DeepSWE 77.0、Terminal-Bench 42.3 等亮眼成绩，目前几乎全部来自 DeepSeek 自己的对照表，第三方独立评测尚未出炉。历史上自家榜单与日常代码质量的体感常有落差，企业选型时别只盯着分数。

横向看，0.20 美元对阵西方前沿实验室动辄 2 到 10 美元以上的单任务成本，差距是数量级的。当跑一个并行编码智能体的边际成本足够低，过去只配给最核心工单的活儿，现在可以铺量式地拿去做测试、重构和迁移。

从产业竞争角度，DeepSeek 一直在打全栈而非单模型的牌：开源权重压住闭源厂商的定价空间，API 低价守住开发者心智，工具链把人留在自己的生态里。这种组合拳，比一味堆参数更让对手难受。

对国内企服团队，这是现成的降本样本。在高端算力受限的大背景下，用强化学习狠抠输出长度与推理效率、把 token 成本当第一性指标，比单纯追参数量更务实，也更容易在真实生产里跑出 ROI。

一个值得玩味的信号是，连腾讯 CodeBuddy、WorkBuddy 都被点名做了针对性优化。开源模型主动适配主流智能体开发工具，等于把“我能被你的工具链直接用”写进产品策略，生态黏性由此而来。

风险同样存在。模型仍在某些纯推理与仓库级任务上落后于 Claude Opus 5，企业若把关键生产流程押在单一模型上，仍需保留可替换的退出通道，避免被一家供应商绑定，也需为开源权重政策的外部不确定性留出预案。

总体判断：V4.1-Flash-1017 不是一次惊天迭代，而是把强性能、低价格、可自托管、易集成四件事同时做扎实的精准补刀。它把智能体编程的竞争从谁更强悄悄改写成谁更划算，而这恰恰是企业在 2026 年最关心的那道题。