DeepSeek V4.1 Flash 1017实测：4项Benchmark第一，编程仍难许愿
事情大家都知道了。 周五还在给宕机用户补偿的 DeepSeek，转眼就把 V4.1 Flash 模型更新到了 1017 版本。 在官方发布的Benchmarks对比中，这个悄然发....
这件事外界已经传开了。
前脚刚给宕机用户做完补偿，
DeepSeek 后脚就把 V4.1 Flash 模型推到了 1017 版本。这个版本发布得悄无声息，可在官方给出的 Benchmarks 对比里，它于 11 项测试中拿下 4 项第一，Coding 和 Agent 两项能力的提升尤其显眼。
按官方的说法，它已经能做到“许愿式编程”。
DeepSWE v1.1 软件工程测试中，V4.1 Flash 拿到 77 分，Claude Opus 5 是 74 分，GPT-5.6-Sol 为 73 分。
API 价格没动，等于白送一次升级。
于是……斩杀线也跟着变了。
DeepSeek 新晒出的 mini-swe-v2 框架性能与成本测试图显示，V4.1 Flash-1017 的一次任务成功率最高达到 77%，单个任务平均花费不到2块钱。成本相近的区间里，GPT-6 Luna 和 GLM 5.3 Flash 的任务通过率则在 60%左右。
官方案例的复现，谁做得更好？
DeepSeek 官方推文晒出的那几个案例，让围观的人更来劲了。
*官方3D和游戏开发案例
还有开发者表示，从这几个案例里瞧出了 Opus 5.5 的影子。
预期既然被抬到这么高，我就先拿这几个官方 3D 和游戏开发案例动手复现。真心许愿：让我复刻成功吧❗️
重现故宫：DeepSeek审美在线，3D穿帮
这轮传播里，3D 故宫是传得最广的一个 case。
官方放出来的效果是这样👇
看完官方 Benchmark 和网上的评论，第一轮测评我挺期待，索性把 DeepSeek V4.1 Flash-1017、GPT-6.1 Sol 和 Claude Opus 5.5 拉到一起过招，试试 DeepSeek 的上限在哪。
为稳住效果，每个模型都只跑自家 Harness，档位取默认。
先看主角 DeepSeek V4.1 Flash-1017。
为稳住效果，每个模型都只跑自家 Harness，档位取默认。
它在这几个模型里耗时最长，用了 37 分钟。我看到别的博主复刻这个案例也花了半小时上下，这么看算正常速度。
成品比不过官方原版，不过审美确实可以：宫阙的设计、字幕、色彩搭配都挺顺眼。
毛病同样不少。
先说架构，参考图里宫殿群那种壮观感它没复刻出来，整体就一幢宫殿。
*独栋宫殿
漫游模式同样露了馅。
拿这座宫门来说，正面看没什么问题，一转到背后，整座建筑就没了。
城墙上方还明晃晃排着一列“空心宫楼”。
再看 GPT-6.1 Sol 和 Claude Opus 5.5。
两者交付分别用了 7 分钟和 23 分钟，宫殿群也都做了出来。
不过 GPT-6.1 Sol 的设计细节看着实在有点逗。
宫殿几乎是一个模子刻出来的，宫墙外面还密密麻麻围了一圈小号宫殿，活像摆了一桌麻将牌……
3D 细节照样有破绽，主殿干脆悬在空中👇
Opus 5.5 出来的效果，仍旧是这批里最稳的。
画风细节谈不上多精细，可宫殿的路线、架构交代得很清楚，成片也有几分宫殿群的气势。
角楼、御花园连同其他宫殿，被它一并纳入了设计，还搭了四种天气。
*雪天的角楼
*雪天的午门
一次成图稳不稳，还是要看 Opus 5.5。
随后，我把先前表现一般的 DeepSeek V4.1 Flash-1017 和 GPT-6.1 Sol 各拉出来，又做了一轮微调。
这一回，两者都往前挪了一步。
DeepSeek V4.1 Flash-1017 这版的光线明显更好看，只是 3D 穿帮的老毛病还在。
GPT 的改善更显眼，3D 设计和整体结构都优化了不少。
赛车这个案例，卡在了左右转向上。
第二轮复现，我挑的是官方那个赛车游戏开发案例。
官方给出的效果是这样。
这一轮我把预期压低了，只安排 DeepSeek V4.1 Flash-1017 和 GPT- 5.6 Sol、GPT-6 Luna 三个同场比。
DeepSeek 出结果还是慢，用了42分钟。
页面设计挺不错，车和背景带霓虹味，还原度在三者里最高。
可真跑起来，一个大 Bug 就露出来了：车的转向是反的。
开
看起来不像偶发。我刷到别的开发者复刻这个案例，也碰上了同样的问题。
GPT- 5.6 Sol 那边，毛病跟 DeepSeek V4.1 Flash-1017 正好反过来。
它跑得挺快，8分钟左右就出结果，游戏本身能正常玩，可页面的设计确实粗糙。
这赛车造型，真让人怀疑是不是在开玩笑……
而GPT-6 Luna 的速度还要更
成品方面，它跟GPT-5.6 Sol 基本处在一个水平，都归到设计不行但能玩的那一类。
说白了，这一轮各家表现都一般，Bug 各有各的。
真要挑一个，我会从DeepSeek和Luna里选：设计或速度，总得先占住一样，再谈优化。
开发者之间还没达成一致看法
官方案例我一个个试着复刻，结果无一成功。不过这一轮折腾下来，对 DeepSeek V4.1 Flash-1017 的表现也算摸出了几点初步判断：
先说审美，在线，3D 设计这块提升尤其大。
再说价格，便宜。前面那两个复刻任务加起来，一共花了我 5 块多。
体感效果初步接近 GPT-5.6 Sol，但没像 benchmark 显示的那样明显超出。
交付速度却比预期慢了不少，有时候真让人怀疑它到底算不算 Flash。
速度问题是怎么来的？我把这几个任务的轨迹数据翻出来分析了一遍。DeepSeek V4.1-Flash-1017 默认的 High 模式，会在调用工具、检查、迭代这些环节上耗掉不少时间，碰上异常情况，恢复能力也偏一般。说到底还是 Agent 能力不够强，任务交付才被拖慢。
*通过分析三个任务的轨迹数据，推断 DeepSeek V4.1-Flash-1017 交付慢的原因
我又去看了看开发者们怎么评价这个模型，发现大家还没就它的定位谈拢。
有人觉得它能和 Opus 5.5 打一打，也有人认为它只配跟 GPT-6 Luna 相提并论。
这些说法之间的差距，着实不小……
开发者给 DeepSeek V4.1-Flash-1017 的好评，主要还是冲着它比自家上一版强出的那一截，以及实打实的低价。
翻几个开发者晒出的对比 case，这种提升能直接看出来👇*上：V4.1 Flash；下：V4.1-Flash-1017；@Teortaxes*上：V4.1 Flash；下：V4.1-Flash-1017；@YxzRainy
价格这块，对上主打性价比的 GPT Luna 系列，DeepSeek V4.1 Flash 也不落下风。
GPT-6 Luna 在没命中缓存的情况下，平均比 V4.1 Flash 便宜 17% 上下。可一旦缓存命中，它的价格就翻了过来：闲时比 V4.1 Flash 贵约 3 倍，高峰时段贵 1.67 倍。
这么看，V4.1 Flash-1017 这次最该被认可的地方，是 DeepSeek 仍用极低的定价，把模型的审美和编码能力一点点往上顶。
那“许愿式编程”到底来没来？起码这一回，我许的故宫和赛车，一个都没能兑现。
