DeepSeek 又偷偷升级了：我实测了 V4.1-Flash-1017，一句话生成可玩游戏，但有个坑会吃掉你 90% 的预算

结论先放前面。 这次升级是真的，但不是全面变强，是"更会用工具、更少废话"。基础代码能力没退化，长上下文和多模态稳，许愿式编程确实能跑通。代价是——它会把大量 token 烧在思考上，你不给足输出预算，代码会在第 1738 个 token 处被硬生生截断。

10 月 17 日 18:07，DeepSeek 把 V4.1 Flash 更新到了 V4.1-Flash-1017。网页端、App、API 三端同步切换，没有发布会，没有预热，只有一个版本号。

API 名字没变，还是 deepseek-flash。价格也没变：峰时输入 0.30/输出0.30 / 输出 0.30/输出1.20 每百万 tokens，谷时减半。换句话说，你什么都没做，模型已经被换掉了。

官方的说法是"性能—费用的帕累托改进"：分数涨了，任务运行时间和输出长度反而降了。

第一，这些全是 DeepSeek 自报，用自己选的 harness 跑的，没有第三方复核。Terminal-Bench 4.0 用的是 Claude Code 的框架，DeepSWE 用的是 mini-swe-v2。换个框架，数字会变。

第二，它在部分项目上确实超过了 Claude Opus 5（DeepSWE 77.0 vs 74.0、Automation-Bench 60.5 vs 50.3），但在 Terminal-Bench 4.0（42.3 vs 51.8）、ProgramBench（29.1 vs 37.0）、HLE（42.6 vs 56.3）上还差得远。所谓"超越旗舰"，是挑着项目说的。

DeepSeek V4.1-Flash-1017与旗舰模型对比

所有测试跑在本地机器上，通过一个本地网关调用 cn:deepseek-v4.1-flash。官方在 10 月 17 日已把 API 全量切到 1017，所以这个通道拿到的应该是新版本——但我要诚实说明：响应体里没有版本号字段，我无法从技术层面 100% 确认。

对照组是 cn:deepseek-v4-pro，同网关、同参数、同温度。

一句话：这是一次单机、可复现、有明确边界的实测。不是大规模基准。

这是这次更新最核心的卖点，官方叫"许愿式编程"。

单文件 HTML 打砖块游戏，canvas 实现。方向键和鼠标都能控制挡板，空格发射，砖块有不同分值，清空进入下一关且球速递增，显示得分/关卡/生命，P 键暂停。不引用任何外部资源。只输出 HTML。

它一次生成，16,735 字节，纯手写 canvas，没有任何外部依赖。

截图在这里——右侧那排缺口就是被球打掉的砖块，右下角是响应了方向键的挡板：

整个过程耗时 71.7 秒，消耗 21,333 tokens，其中 15,349 是思考。

同一个 prompt 我也丢给了 V4-Pro，它也能跑通，但差距一眼能看出来：

Pro 版本能玩，得分能涨，砖块能消，但长得像 2010 年的教学 demo；Flash 版本直接是个能截图发朋友圈的产品。

同样一句"许愿"，Flash 交得更快、更便宜、还更好看。

说明"单 prompt 出一个能玩的小游戏"这件事，对 Flash 档位已经成立了。不是 demo 级别的成立，是你打开浏览器就能玩的那种成立。而且它不是在"能跑"这条及格线上勉强通过——它是把 UI、动效、提示都做全了。

第一次跑这个测试，我给的输出上限是 16,000 tokens。

结果：14,262 个 token 花在 reasoning 上，只剩 1,738 个 token 写代码。HTML 写到 4,771 字节就被截断了，页面打开一片空白，canvas 是默认的 300×150，什么都没画。

这不是模型的错，是我预算给少了。但这是一个非常容易踩的坑：

在 high/max 推理档下做代码生成，实际可用输出预算大约只有你设定值的 10%–15%。

社区里说的"别用 max，想得越多幻觉越多"，在我这里得到了另一种印证——不是幻觉变多，是思考把预算吃光了，交付物直接断在半截。

来源：稀土掘金　原文