DeepSeek在这个周末的表现可谓惊人，几乎没有留下片刻的空闲。就在前两天，DeepSeek的服务出现崩溃，令不少网友猜测即将推出全新版本。果不其然，DeepSeek-V4.1-Flash-1017如期登场。这一看似小幅更新的版本，其实在模型能力方面的提升却是显著的。官方的声明直言不讳：1017在推理、编程、Agent任务及视觉基准等多个领域实现了大幅跃升，同时缩短了任务执行时间并减少了输出的长度，在众多Agent harness的“性能与成本”平衡上，再次向前推进了一步。简而言之，这个版本的模型变得更加强劲、更迅速，还更加经济。

具体来看，1017在模型卡的11项基准测试中全数取得了相对原版的显著提高。其中，DeepSWE v1.1以77.0的分数傲视群雄，超越了所有其他模型，紧随其后的是GPT-5.6 Sol的73.0和Opus 5的74.0；值得一提的是，Automation-Bench（60.5）、Agents’ Last Exam（35.4）和Apex Bench（72.1）这三项标杆测试也都是1017的领先者。而在HLE（42.6）、Terminal-Bench 4.0、ProgramBench等多个视觉任务中，尽管1017的表现出色，但仍有诸如Opus 5等竞争对手在一些领域占据优势。

DeepSeek V4.1-Flash的设计思路非常明确，官方强调：“Pushing the Limits of KV Cache Compression”，意即在KV缓存压缩方面要做到极致。该模型采用了Causal Encoder-Decoder架构，其包括40层的Transformer，巧妙拆分为20层编码器和20层解码器。在参数方面，具备552B的庞大骨干，prefill阶段每个token仅激活8B，而在解码时则激活16B，这样的设计特别适用于对输入要求较高的Agent场景。此外，CSA2稀疏注意力与FP4 KV缓存结合，使得全局KV缓存压缩至每个token仅为890字节，相比于V4-Flash的1/4容量，效率倍增；SWA Bounded Replay——这一创新设定使得持久化KV缓存的大小进一步减小，至V4-Flash的约1/8。 球友

值得一提的是，1017在多模态支持方面也有独到之处。它原生支持1M tokens的上下文，并从零开始训练了45T的多模态语料，让这一模型在语境理解和生成能力上更具竞争力。推理强度范围为1-100可调，使用者可以根据需要平衡成本与精度。

此版本并未附带传统的Jinja聊天模板，而是提供了一个自包含的Python参考实现（encoding.py)，涵盖了多轮对话、工具调用、不同时思考模式、数值推理的强度和对话中的system消息等功能。生产环境上的实现可利用深度塑造的rust库和Python绑定，统一转换请求至V4/V4.1的prompt格式。推荐的采样参数包括temperature设置为1.0、top_p为1.0、上下文窗口为1M，以及max_tokens至少为256K。

此外，还有一个让人兴奋的彩蛋——深度集成的Search & Fetch API。DeepSeek的API文档中推出了一套专为Agent和RAG（Retrieval-Augmented Generation）设计的实时网页检索功能。此项功能由DeepSeek自研的搜索引擎驱动，获取结构化结果的同时还能抓取单个网页转换为Markdown。Search & Fetch的工作流支持多种搜索运算，如site:、lang:、after:等，每次最多返回50条结果，并且按成功请求计费，每1000次仅需0.75美元，即便空结果或失败请求也不收取任何费用。利用DeepSeek Harness、Claude Code、Codex进行服务端工具调用的过程，将在2026年11月1日0点起开始计费，现阶段却是完全免费的。 球友

这一Flash级别的模型，竟能够在多项Agent基准测试中与一线旗舰产品进行直接对抗，并顺势将使用成本降低，再加上Search & Fetch的强力支持，DeepSeek无疑是在为Agent铸造“智慧大脑与视觉系统”的完整解决方案。这一切都让人感受到它的无限潜力与激动人心的未来，令人期待接下来的表现。