Fireworks 评测 DeepSeek-V4.1-Flash：DeepSWE 达 GPT-6 Astra 水准、成本仅 1/15

新浪发布仅3B参数的VibeThinker-3B，在AIME26等数学编程基准上持平DeepSeek V3.2等大200-333倍的模型，LiveCodeBench超越所有20B以下模型，LeetCode竞赛解决123/128题超过GPT-5.2、Kimi K2.5等。但知识密集型GPQA-Diamond大幅落后。模型基于阿里Qwen2.5-Coder-3B，经SFT、强化学习、自蒸馏等多阶段后训练。研究提出"参数压缩-覆盖假说"：逻辑推理依赖少数可压缩模式，而广泛世界知识…

DeepSeek发布了多模态大模型及技术报告，提出创新的"基于视觉原语的思考"框架。该框架将点、边界框等视觉元素作为推理的基本单元，旨在解决多模态模型在空间参照任务中存在的"参照鸿沟"核心问题，使模型能将抽象认知锚定到图像的具体坐标上。尽管模型规模紧凑且图像标记预算较低，其在多项挑战性计数和空间推理基准测试上的性能，可与GPT-5.4等前沿模型相媲美。

DeepSeek 发布正式版 V3.2 与长思考增强版 V3.2-Speciale。V3.2 在推理 Benchmark 中达到 GPT-5 水平，并成为首个支持思考与非思考模式工具调用的模型。

Cohere 发布 Command A Reasoning，定位企业级推理任务，称在 BFCL-v3（70.3）、tau-bench、m-tau-bench 上优于 gpt-oss-120b、DeepSeek-R1 0528 和 Mistral Magistral Medium。

DeepSeek 发布小版本升级 DeepSeek-V3-0324，在数学、代码类评测集上得分超过 GPT-4.5，并增强了前端代码生成、中文写作与联网搜索能力。模型参数约 660B，开源版本上下文长度为 128K，网页端、App 和 API 提供 64K 上下文。权重已开源，采用 MIT License，允许蒸馏训练其他模型。

该项目用 10 个 SVG 生成提示词（如"章鱼演奏管风琴""火烈鸟修望远镜"）实测 6 款 2026 模型与 10 款 2025 模型的耗时和费用。DeepSeek V4 Pro 多数任务费用最低（$0.04-$0.10），Qwen3.8 Max 最慢（最长 14 分 56 秒），GPT-6 Astra 在"章鱼演奏管风琴"上以 2 分 19 秒、$0.37 完成。

OpenAI 据 NYT 确认接近解决第二个千禧年数学难题，或即将公开宣布。DeepSeek 4.1 Flash 在 DeepSWE 上性能超过 GPT-5.6 Sol 和 Opus 5，API 成本却低 94%。此外 ChatGPT Pro 新订阅或因需求过高暂停，OpenAI 计划深入网络安全业务并警告 AI 可能危及能源供应。

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。

玉伯称 GPT-6 Astra 的思考程度选 Low 最佳：其 agentic 规划与工具调用能力已足够，且响应速度接近 GPT-6 Flash，还能减少类似 DeepSeek 的思考内耗。Low 档回答更"脱口而出"，体验更真实；他将 Low/Medium/High/Ultra 分别比作放松、一人公司、上班、大厂上班。