DeepSeek发布V4.1-Flash-1017更新，同步开放搜索API
DeepSeek Just Released V4.1-Flash-1017, Scores 77.0 on DeepSWE, Opens Search API
DeepSeek旗舰模型的增量更新且伴随关键基础设施（搜索API）的开放，Agent开发者应重点关注其代码能力跃升与新的数据接入成本结构。
DeepSeek has just released DeepSeek-V4.1-Flash-1017, a new checkpoint of its V4.1-Flash model. It is live on the DeepSeek website, app and API. DeepSeek claims stronger scores, faster task completion and shorter outputs than the September V4.1-Flash release. The company calls it a Pareto improvement in performance and cost. Alongside it, DeepSeek opened its Search and Fetch APIs to every developer. For agent builders, that means a cheaper coding model plus a first-party web layer behind one API key.
DeepSeek 刚刚发布了 DeepSeek-V4.1-Flash-1017，这是其 V4.1-Flash 模型的一个新检查点。它已在 DeepSeek 网站、应用程序和 API 上上线。DeepSeek 声称，与 9 月发布的 V4.1-Flash 相比，它在各项评分上更强，任务完成速度更快，输出更短。该公司称其为性能与成本方面的帕累托改进。与此同时，DeepSeek 向所有开发者开放了其 Search 和 Fetch API。对于智能体构建者而言，这意味着在同一个 API 密钥背后，可以使用更便宜的编码模型以及第一方网页层。
TL;aDR
TL;DR（太长不看）
- Size: 552B backbone parameters plus 196B Engram parameters. It activates 8B parameters per token in prefill and 16B in decode. Context is 1M tokens, with up to 384K output tokens.
- Runs on: DeepSeek API as deepseek-flash. September V4.1-Flash weights (763B parameters, FP8) are MIT-licensed on Hugging Face. Hardware requirements and 1017 weights: Not disclosed.
- Performance: Beats the previous V4.1-Flash on all 11 benchmarks DeepSeek reported, by 2.0 to 11.1 points.
- Best: 77.0 on DeepSWE v1.1, above Claude Opus 5 (74.0) in DeepSeek’s table.
- Worst: 42.6 on HLE without tools, versus 56.3 for Claude Opus 5.
- 规模：552B 主干参数加上 196B Engram 参数。在预填充阶段每 token 激活 8B 参数，在解码阶段激活 16B 参数。上下文长度为 1M tokens，最多支持 384K 输出 tokens。
- 运行平台：通过 DeepSeek API 以 deepseek-flash 形式运行。9 月 V4.1-Flash 权重（763B 参数，FP8）在 Hugging Face 上以 MIT 许可证开源。硬件需求和 1017 权重：未公开。
- 性能：在 DeepSeek 报告的所有 11 项基准测试中，均优于之前的 V4.1-Flash，提升幅度为 2.0 至 11.1 分。
- 最佳表现：在 DeepSWE v1.1 上得分为 77.0，高于 DeepSeek 表格中 Claude Opus 5 的 74.0 分。
- 最差表现：在无工具情况下于 HLE 基准上得分为 42.6，而 Claude Opus 5 为 56.3 分。
What is DeepSeek-V4.1-Flash-1017?
什么是 DeepSeek-V4.1-Flash-1017？
DeepSeek-V4.1-Flash-1017 is an updated post-training checkpoint of DeepSeek-V4.1-Flash, served through the deepseek-flash model name. The architecture details below come from the V4.1-Flash technical report.
DeepSeek-V4.1-Flash-1017 是 DeepSeek-V4.1-Flash 的更新后训练检查点，通过 deepseek-flash 模型名称提供服务。以下架构细节来自 V4.1-Flash 技术报告。
DeepSeek team states that DeepSeek-V4.1-Flash-1017 uses reinforcement learning with self-feedback for end-to-end project work. Its examples run from game creation to 3D modeling. It is tuned for DeepSeek Harness, Tencent CodeBuddy and WorkBuddy. DeepSeek recommends DeepSeek Harness v0.2.1-rc.1 or later.
DeepSeek 团队指出，DeepSeek-V4.1-Flash-1017 使用带有自我反馈的强化学习进行端到端项目开发。其示例涵盖从游戏创建到 3D 建模等任务。它针对 DeepSeek Harness、Tencent CodeBuddy 和 WorkBuddy 进行了调优。DeepSeek 建议使用 DeepSeek Harness v0.2.1-rc.1 或更高版本。
How does the V4.1-Flash architecture work?
V4.1-Flash 架构是如何工作的？
V4.1-Flash is a multimodal Mixture-of-Experts model with 40 Transformer layers. They split into a 20-layer causal encoder and a 20-layer decoder.
V4.1-Flash 是一个具有 40 个 Transformer 层的多模态混合专家（MoE）模型。它们被划分为一个 20 层的因果编码器和一个 20 层的解码器。
- Causal Encoder-Decoder (CED): Decoder global KV is projected from the final encoder hidden states. This nearly halves prefill compute.
- Compressed Sparse Attention 2 (CSA2): Layers run in Full, Reindex or Reuse mode. They share main KV and indexer keys across layers.
- FP4 main KV cache: Global KV drops to 890 bytes per token, about 1/4 of V4-Flash.
- SWA Bounded Replay: Persistent KV cache shrinks to roughly 1/8 of V4-Flash.
- Reasoning effort: A 1 to 100 scalar. The API tiers low, high and max map to 50, 75 and 100.
- 因果编码器-解码器（CED）：解码器的全局 KV 由最终的编码器隐藏状态投影而来。这几乎将预填充计算量减半。
- 压缩稀疏注意力 2（CSA2）：各层以 Full、Reindex 或 Reuse 模式运行。它们在层间共享主 KV 和索引器键。
- FP4 主 KV 缓存：全局 KV 降至每 token 890 字节，约为 V4-Flash 的四分之一。
- SWA 有界重放：持久化 KV 缓存缩小至 V4-Flash 的大约八分之一。
- 推理力度：一个 1 到 100 的标量值。API 中的 low、high 和 max 分别映射为 50、75 和 100。
DeepSeek-V4.1-Flash-1017 benchmarks
DeepSeek-V4.1-Flash-1017 基准测试
All scores below are DeepSeek’s own figures. DeepSeek ran Terminal-Bench 4.0 in Claude Code and DeepSWE in Mini-SWE-V2. ZeroBench-main uses Pass@5.
以下所有分数均为 DeepSeek 自身的统计数据。DeepSeek 在 Claude Code 中运行了 Terminal-Bench 4.0，在 Mini-SWE-V2 中运行了 DeepSWE。ZeroBench-main 使用 Pass@5。
| Benchmark | V4.1-Flash-1017 | V4.1-Flash | Kimi K3 | GLM 5.3 | GPT 5.6-Sol | Claude Opus 5 |
|---|---|---|---|---|---|---|
| DeepSWE v1.1 | 77.0 | 74.2 | 67.5 | 66.9 | 73.0 | 74.0 |
| Terminal-Bench 4.0 | 42.3 | 31.2 | 12.6 | 37.9 | 39.9 | 51.8 |
| Automation-Bench v1.0.6 | 60.5 | 54.8 | 46.7 | 48.8 | 45.8 | 50.3 |
| Agents’ Last Exam | 35.4 | 31.8 | 27.6 | 28.5 | 26.7 | 28.6 |
| Apex Bench v1.1 | 72.1 | 64.6 | 47.8 | 56.6 | 54.3 | 65.8 |
| ProgramBench | 29.1 | 20.3 | 17.5 | 19.0 | 23.0 | 37.0 |
| NL2Repo-Bench | 68.2 | 65.4 | 58.0 | 58.0 | 56.8 | 75.3 |
| HLE (no tools) | 42.6 / 44.0* | 36.8 / 39.1* | 43.5 | 42.0* | 44.5 | 56.3 |
| BabyVision (w/ tools) | 92.5 | 89.6 | 85.7 | Not disclosed | 88.9 | 94.1 |
| 基准测试 | V4.1-Flash-1017 | V4.1-Flash | Kimi K3 | GLM 5.3 | GPT 5.6-Sol | Claude Opus 5 |
|---|---|---|---|---|---|---|
| DeepSWE v1.1 | 77.0 | 74.2 | 67.5 | 66.9 | 73.0 | 74.0 |
| Terminal-Bench 4.0 | 42.3 | 31.2 | 12.6 | 37.9 | 39.9 | 51.8 |
| Automation-Bench v1.0.6 | 60.5 | 54.8 | 46.7 | 48.8 | 45.8 | 50.3 |
| Agents’ Last Exam | 35.4 | 31.8 | 27.6 | 28.5 | 26.7 | 28.6 |
| Apex Bench v1.1 | 72.1 | 64.6 | 47.8 | 56.6 | 54.3 | 65.8 |
| ProgramBench | 29.1 | 20.3 | 17.5 | 19.0 | 23.0 | 37.0 |
| NL2Repo-Bench | 68.2 | 65.4 | 58.0 | 58.0 | 56.8 | 75.3 |
| HLE (no tools) | 42.6 / 44.0* | 36.8 / 39.1* | 43.5 | 42.0* | 44.5 | 56.3 |
| BabyVision (w/ tools) | 92.5 | 89.6 | 85.7 | Not disclosed | 88.9 | 94.1 |
*Text-only HLE subset.
*纯文本 HLE 子集。
The 1017 checkpoint leads on DeepSWE, Automation-Bench, Agents’ Last Exam and Apex Bench. Claude Opus 5 still leads on Terminal-Bench 4.0, ProgramBench, NL2Repo and HLE.
1017 检查点在 DeepSWE、Automation-Bench、Agents’ Last Exam 和 Apex Bench 上领先。Claude Opus 5 仍在 Terminal-Bench 4.0、ProgramBench、NL2Repo 和 HLE 上保持领先。
How does it compare with open-weight rivals?
它与开源权重竞争对手相比如何？
| Feature | DeepSeek-V4.1-Flash-1017 | Kimi K3 | GLM-5.3 |
|---|---|---|---|
| Total parameters | 552B backbone + 196B Engram | 2.8T | 753B |
| Active parameters | 8B prefill / 16B decode | 104B | Not disclosed |
| Context | 1M | 1,048,576 | Not disclosed |
| License | MIT (V4.1-Flash); 1017 weights Not disclosed | Kimi K3 License | GLM-5.3 license |
| Modality | Text, image in; text out | Text, image | Text |
| DeepSWE v1.1 | 77.0 | 67.5 | 66.9 |
| Agents’ Last Exam | 35.4 | 28.3 | 28.5 |
| API price (1M input miss / output, peak) | $0.30 / $1.20 | Not disclosed | Not disclosed |
| 特性 | DeepSeek-V4.1-Flash-1017 | Kimi K3 | GLM-5.3 |
|---|---|---|---|
| 总参数量 | 552B backbone + 196B Engram | 2.8T | 753B |
| 激活参数量 | 8B prefill / 16B decode | 104B | Not disclosed |
| 上下文窗口 | 1M | 1,048,576 | Not disclosed |
| 许可证 | MIT (V4.1-Flash); 1017 weights Not disclosed | Kimi K3 License | GLM-5.3 license |
| 模态 | Text, image in; text out | Text, image | Text |
| DeepSWE v1.1 | 77.0 | 67.5 | 66.9 |
| Agents’ Last Exam | 35.4 | 28.3 | 28.5 |
| API 价格 (每百万输入 miss / 输出, 峰值) | $0.30 / $1.20 | Not disclosed | Not disclosed |
What are DeepSeek’s Search and Fetch APIs?
DeepSeek 的 Search 和 Fetch API 是什么？
The Search API returns ranked web results for a query. The Fetch API returns a single page as Markdown. DeepSeek says its in-house engine serves hundreds of millions of requests daily.
Search API 返回查询结果的排名网页列表。Fetch API 以 Markdown 格式返回单个页面。DeepSeek 表示其内部引擎每天处理数亿次请求。
- Endpoints: POST /v1/tools/search and POST /v1/tools/fetch on api.deepseek.com.
- Search options: 1 to 50 results, optional page content, and operators like site:, lang:, after: and before:.
- Result fields: Each result has a 0 to 3 rerank score and a 0 to 4 authority tier.
- Price: $0.75 per 1,000 successful requests for each endpoint. Empty results and failures are free.
- Rate limit: 5 QPS per account for each API.
- Free window: Server-side calls via DeepSeek Harness, Claude Code or Codex stay free until November 1, 2026.
- 端点：api.deepseek.com 上的 POST /v1/tools/search 和 POST /v1/tools/fetch。
- 搜索选项：1 到 50 条结果，可选页面内容，以及 site:、lang:、after: 和 before: 等操作符。
- 结果字段：每条结果包含一个 0 到 3 的重排分数和一个 0 到 4 的权威层级。
- 价格：每个端点每 1,000 次成功请求收费 $0.75。空结果和失败请求免费。
- 速率限制：每个账户每种 API 为每秒 5 次请求 (QPS)。
- 免费窗口：通过 DeepSeek Harness、Claude Code 或 Codex 进行的服务器端调用在 2026 年 11 月 1 日之前保持免费。
Deployment and pricing
部署与定价
Call the model with deepseek-flash through OpenAI or Anthropic-format endpoints. Peak pricing is $0.30 per 1M cache-miss input tokens and $1.20 per 1M output tokens. Off-peak rates are half.
通过 OpenAI 或 Anthropic 格式的端点调用 deepseek-flash 模型。峰值定价为每百万缓存未命中输入令牌 0.30 美元，每百万输出令牌 1.20 美元。非峰值价格为半价。
Key Takeaways
关键要点
- 1017 scores 77.0 on DeepSWE v1.1, up from 74.2.
- It leads Automation-Bench (60.5) and Agents’ Last Exam (35.4).
- Claude Opus 5 still wins on HLE and Terminal-Bench 4.0.
- Search and Fetch cost $0.75 per 1,000 calls each.
- Agent harness calls stay free until November 1, 2026.
- 在 DeepSWE v1.1 上得分 77.0，较之前的 74.2 有所提升。
- 它在 Automation-Bench（60.5）和 Agents’ Last Exam（35.4）中均排名第一。
- Claude Opus 5 仍在 HLE 和 Terminal-Bench 4.0 上保持领先。
- Search 和 Fetch 每次调用的费用均为每千次 0.75 美元。
- Agent harness 调用免费使用至 2026 年 11 月 1 日。
Check out the DeepSeek announcement, the Search and Fetch docs, the technical report and the model card. All credit goes to the researcher of this project. Also, feel free to follow us on Twitter and don’t forget to join our 150k+ML SubReddit and Subscribe to our Newsletter. Wait! are you on telegram? now you can join us on telegram as well.
查看 DeepSeek 公告、Search 和 Fetch 文档、技术报告以及模型卡片。本项目的所有功劳归于该项目的研究人员。此外，欢迎在 Twitter 上关注我们，别忘了加入拥有超过 15 万成员的 ML SubReddit 并订阅我们的新闻通讯。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们了。
更进一步：量化金融体系
看懂新闻只是起点——沿量化金融路径，把它变成能交付的工程能力