Yuchen Jin 称 DeepSeek-V4.1-Flash-1017 以 1/83 成本达到 Opus 5 级编码表现

当今的 AI tokenomics： 前沿实验室 RSI 研究员：$10,000/天 旧金山创业公司创始人：$3,000/天 软件工程师：$300/天 我在中国的妈妈：“你能教我怎么下载 DeepSeek 吗？我在新闻上看到了。”

我最近常用的模型 + 工具栈组合： 1. Kimi K3 是最好的开源编码模型。GLM-5.3 紧随其后。2. DeepSeek V4.1 Flash 是我处理简单/中等任务的首选：极快且便宜。3. 复杂任务我会用 Astra。4. Codex 搭配开源模型效果更好。Claude Code 会让同一个模型成本翻倍。

有意思，Dario 点赞了我那条 DeepSeek V4.1 Flash 的推文。 【引用 @Yuchenj_UW】：DeepSeek V4.1 Flash 在编程和智能体基准上击败了 GPT-5.6 Sol，同时便宜约 97%。 每 token 的 KV cache 大小又降低 4 倍，非常惊艳。这是开源 AI 的时代。 Databricks 很快会把它带给我们的客户！

DeepSeek V4.1 Flash 在编码和智能体基准上超过 GPT-5.6 Sol，价格便宜约 97%。作者称其每 token 的 KV cache 大小再降 4 倍，并表示这是开源 AI 的时代，Databricks 将很快把该模型带给客户。

Microsoft AI 宣布完成 MAI-Base-2 预训练，这是一个 800 亿激活、2.8T 总参数的 MoE 基础模型，在 held-out 评测中 BPB 低于所测全部开源权重模型，预训练 FLOPs 效率比 DeepSeek-V4-Pro-Base 高 4.2 至 12.3 倍。

ARC Prize 公布 DeepSeek V4.1 Flash 在 ARC-AGI (Verified) 的成绩：ARC-AGI-2 得分 72.9%，每任务成本 $0.13；ARC-AGI-1 得分 94.5%，每任务成本 $0.07。相比 V4 Flash 的最佳成绩，ARC-AGI-1 高 5.5 分，ARC-AGI-2 高 11.5 分，但每任务成本高约 250%。

DeepSeek 本周在 HuggingFace 开源 DeepSeek-V4.1-Flash 权重，模型总参数 552B，prefill 激活 8B、decode 激活 16B，支持 1M token 上下文和文本加图像输入，已上线 Baseten Model APIs。

WorkBuddy 宣布 DeepSeek V4.1-Flash 已在其平台上线，免费试用两周。引用的 DeepSeek 公告称 V4.1-Flash 已登陆 DeepSeek API 并支持原生多模态。

DeepSeek AI 发布多模态 MoE 模型 DeepSeek-V4.1-Flash，552B 主干加 196B Engram 参数，上下文窗口 1M，prefill 激活 8B 参数、decode 激活 16B，全局 KV 缓存降至每 token 890 字节，约为 DeepSeek-V4-Flash 的 1/4、DeepSeek-V1 的 1/437。

vLLM 团队发布针对智能体负载优化的博客，基于 SemiAnalysis 的公开 AgentX 基准展示成果：DeepSeek V4 Pro 在 GB300 上达到 83K total tokens/GPU-秒。