DeepSeek 又甩了个「Flash」小更新，但这次改的是编码层

2026年10月17日

DeepSeek 在 Hugging Face 上挂了个新版本，DeepSeek-V4.1-Flash-1017，名义上是 Flash 的小更新，但看 release note 的写法，更像是在「性能-成本曲线」上又往前顶了一截。官方原话是：推理、编码、Agent 任务和视觉 benchmark 都有明显提升，同时把任务执行时间和输出长度压了下来——说白了，同样一件事，跑得更快、更省。

先看硬指标。HLE（无工具）从 36.8 涨到 42.6，Text-only 子集是 44.0；Terminal-Bench 4.0 从 31.2 跳到 42.3，这个幅度在 Agent 类任务里算不小了。DeepSWE v1.1 到了 77.0，ProgramBench 从 20.3 拉到 29.1，Automation-Bench、Apex Bench v1.1 也都在涨。视觉那一列，Chartography 83.0、BabyVision 92.5、ZeroBench-main 51.0，都是有工具加持的数字。表格里并排摆了 K3、GLM-5.3、GPT-5.6 Sol、Opus 5 这些参照，官方也在脚注里老实交代了两个 harness：Terminal-Bench 用的是 Claude Code harness，DeepSWE 用的是 Mini-SWE-V2——benchmark 只能说明一部分问题，这个提醒每次都得看。

比分数更值得注意的是这次 release 在「Prompt Encoding」上的动作。它没给 Jinja 格式的 chat template，而是放了一个自包含的 Python 参考实现（encoding.py），带测试用例，覆盖多轮对话、工具调用、thinking 模式、数值推理 effort、对话中途的 system message、交错图片内容这些场景。生产环境要用的，又额外给了 deepseek-recipe，一套带 Python binding 的 Rust 库，把 Messages、Chat Completions、Responses API 请求统一转成 Conversation 格式，再编码成 V4/V4.1 的 prompt 或 token ID，还能把模型输出解析回完整或流式响应。推理、工具执行、HTTP 传输这部分留给调用方自己接。

对开发者来说，这个区分挺实际：encoding.py 拿来理解格式、跑测试、快速验证；deepseek-recipe 奔着生产去的，协议感知、有维护。想本地跑，inference 目录里有权重转换和推理说明。推荐采样参数：temperature 1.0、top_p 1.0、context 窗口 1M tokens、max_tokens ≥ 256K。权重和仓库都是 MIT License，模型规模 763B 参数，精度涉及 BF16、F32、F8_E4M3、I8。仓库下已经挂着 1 个微调模型和 3 个量化版本。

顺带提一句，官方 citation 的标题是「DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression」，方向很明确，这次压输出长度和推理时间的路子，跟 KV cache 压缩这条技术主线是对得上的。

要我说，这个 1017 更像一次「稳中带进」的例行更新，亮点不在某个单项暴涨，而在它把编码、推理、成本这几件事放在同一个 release 里一起解决——这对那些想把 Flash 本地部署、再包进 Agent 工作流的团队是实打实的省事。至于它跟表里那几位大模型在真实生产里差多少，还得跑自己的任务才知道，别只盯着这张表。