BenchLeader

Claude Sonnet 5 vs DeepSeek V4.1 Flash 1017

完整资料:Claude Sonnet 5(Anthropic)和 DeepSeek V4.1 Flash 1017(DeepSeek),包括全部基准测试、价格和排名。

更新于 · 数据来自 14 个来源

截至 2026年11月16日,Claude Sonnet 5 与 DeepSeek V4.1 Flash 的质量不相上下(BenchLeader Index 59.0 比 57.7,在 ±4.3 的误差范围内)。DeepSeek V4.1 Flash 更便宜,对方的价格是它的 7.6 倍(每百万 token 混合价格 $0.525 比 $4.00)。看重推理(65 比 56)和数学(65 比 61)选 Claude Sonnet 5;看重智能体与工具(58 比 53)、编程(63 比 60)和长上下文(66 比 63)选 DeepSeek V4.1 Flash。Claude Sonnet 5 的首次回答更快(15.8 秒 比 39.7 秒)。DeepSeek V4.1 Flash 的输出更快(约 1.5 倍)。

要点(截至 2026年11月16日)

  • Claude Sonnet 5 的 BenchLeader Index 为 59.0,DeepSeek V4.1 Flash 为 57.7(BenchLeader,2026年11月16日)。
  • Claude Sonnet 5 每百万 token 混合价格为 $4.00(标价,2026年11月16日)。
  • DeepSeek V4.1 Flash 每百万 token 混合价格为 $0.525(标价,2026年11月16日)。
  • DeepSeek V4.1 Flash 比 Claude Sonnet 5 输出更快(约 1.5 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 16 项基准测试中,DeepSeek V4.1 Flash 领先 15 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,Claude Sonnet 5 的评分为 1539,DeepSeek V4.1 Flash 1017 为 1664(LMArena,截至 2026年11月16日 的公布数据)。

按用途怎么选

推荐模型的数值列在前面。类别得分采用 BenchLeader 标尺(50 为模型平均水平,15 分为一个标准差)。领先半个标准差及以上为“高”置信度;相差不到 1 分则视为“均可”。

用途推荐理由置信度
编程DeepSeek V4.1 Flash 1017类别得分 63 比 60;Arena WebDev 1664 比 1539中
智能体与工具调用DeepSeek V4.1 Flash 1017类别得分 58 比 53;Arena Agent 2 比 2中
数学Claude Sonnet 5类别得分 65 比 61中
推理Claude Sonnet 5类别得分 65 比 56;Humanity's Last Exam (AA) 35.7% 比 43.3%高
长文档DeepSeek V4.1 Flash 1017类别得分 66 比 63;AA-LCR v1.1 82.7% 比 76.7%中
图像及其他媒体DeepSeek V4.1 Flash 1017类别得分 63 比 61中
对话质量(人类偏好)–只有 Claude Sonnet 5 有 Arena 评分(类别得分 65)无法比较
成本最低DeepSeek V4.1 Flash 1017每百万 token 混合价格 $0.525 比 $4.00;智能体编程会话 $0.023 比 $0.160–
首次回答最快Claude Sonnet 5首个回答 token 15.8 秒(Claude Sonnet 5 (high))比 39.7 秒(DeepSeek V4.1 Flash 1017 (max))–
低预算大批量两者都不选通常更小的模型更合适:便宜好用的大模型、最快的大模型–

主要差异

  • Claude Sonnet 5 (high) 与 DeepSeek V4.1 Flash 1017 (max) 的质量不相上下(59.0 比 57.7,在 ±4.3 的误差范围内)。
  • Claude Sonnet 5 (high) 在数学、推理方面更强。
  • DeepSeek V4.1 Flash 1017 (max) 在智能体与工具、编程、长上下文、多模态方面更强。
  • DeepSeek V4.1 Flash 1017 (max) 更便宜,对方的价格是它的 7.6 倍(每百万 token 混合价格 $0.525 比 $4.00)。
  • DeepSeek V4.1 Flash 1017 (max) 的输出速度是对方的 1.8 倍(174 比 99 token/秒)。

概览

规格Claude Sonnet 5DeepSeek V4.1 Flash 1017
提供商AnthropicDeepSeek
发布日期2026年6月30日2026年10月17日
上下文窗口(token)1,000,0001,048,576
对比时的配置Claude Sonnet 5 (high)DeepSeek V4.1 Flash 1017 (max)
开放权重否是
每百万 token 价格(输入 / 输出 / 缓存输入)$2.00 / $10.00 / $0.200$0.300 / $1.20 / $0.0060

逐类别对比

类别得分采用 BenchLeader 标尺:50 为参评模型的平均水平,15 分为一个标准差。差距不到 1 分视为持平。

类别Claude Sonnet 5 (high)DeepSeek V4.1 Flash 1017 (max)领先者
推理65.455.7Claude Sonnet 5
编程59.963.0DeepSeek V4.1 Flash 1017
智能体与工具52.957.6DeepSeek V4.1 Flash 1017
数学65.360.9Claude Sonnet 5
知识–47.7无法比较
人类偏好64.6–无法比较
多模态60.963.0DeepSeek V4.1 Flash 1017
长上下文62.966.0DeepSeek V4.1 Flash 1017
综合–55.5无法比较

同一图表对比

各领域采用与 Index 相同的标尺,平均模型为 50 分。单击某个领域可查看构成它的基准测试。 可从列表中最多选择 5 个模型。

2550 avg75推理编程智能体与工具数学长上下文多模态Claude Sonnet 5, 推理: 65.4Claude Sonnet 5, 编程: 59.9Claude Sonnet 5, 智能体与工具: 52.9Claude Sonnet 5, 数学: 65.3Claude Sonnet 5, 长上下文: 62.9Claude Sonnet 5, 多模态: 60.9DeepSeek V4.1 Flash 1017, 推理: 55.7DeepSeek V4.1 Flash 1017, 编程: 63.0DeepSeek V4.1 Flash 1017, 智能体与工具: 57.6DeepSeek V4.1 Flash 1017, 数学: 60.9DeepSeek V4.1 Flash 1017, 长上下文: 66.0DeepSeek V4.1 Flash 1017, 多模态: 63.0

未绘制(测得的模型少于两个):知识, 指令遵循, 人类偏好。

模型(单击添加或移除)Index

各来源的分歧

在两者都有结果的 16 项基准测试中,Claude Sonnet 5 领先 0 项,DeepSeek V4.1 Flash 1017 领先 15 项,1 项持平。

综合 IndexClaude Sonnet 5 (high)DeepSeek V4.1 Flash 1017 (max)领先者
BenchLeader Index59.057.7不相上下

各发布方使用各自的任务、评测框架和推理强度设置,因此总体结论可能不同;BenchLeader 将它们统一到同一标尺上。† 表示同一模型在另一推理强度设置下的测量值(发布方未测试本页对比的设置)。

价格、速度与延迟

标价按每 1 个输出 token 对应 3 个输入 token 混合计算。每项任务的价格采用方法论页面中的 token 数量。每项基准测试任务的成本、token 数和耗时均为实测值,取自 Artificial Analysis 整个 Intelligence Index 测试的平均值。

指标Claude Sonnet 5 (high)DeepSeek V4.1 Flash 1017 (max)
每百万 token 混合价格$4.00$0.525
每百万 token 输入 / 输出$2.00 / $10.00$0.300 / $1.20
每百万 token 缓存输入$0.200$0.0060
每项任务价格:聊天回复$0.0038$0.0005
每项任务价格:总结一份 30 页的报告$0.030$0.0043
每项任务价格:代码编辑$0.027$0.0036
每项任务价格:智能体编程会话$0.160$0.023
每项任务价格:结构化信息提取$0.0060$0.0008
智能体编程会话(输入大多命中缓存)$0.079$0.0096
每项基准测试任务成本(AA Index)–$0.602
每项任务输出 token(AA Index)–139k
其中推理部分–91k
每项任务耗时(AA Index)–13 min
输出速度99 tok/s174 tok/s
首次回答时间15.8 秒39.7 秒
完整回答耗时(最近一次测量 2026年11月13日)40.7 秒91.2 秒

每个模型都按其排名最高的推理强度设置进行对比。Claude Sonnet 5 (high) 得分 59.0,首个回答 token 需 16 秒;Claude Sonnet 5 (max) 为 56.1(158 秒),Claude Sonnet 5 (xhigh) 为 55.4(32 秒)。DeepSeek V4.1 Flash 1017 (max) 得分 57.7,首个回答 token 需 40 秒;DeepSeek V4.1 Flash 1017 (high) 为 51.2(20 秒),DeepSeek V4.1 Flash 1017 (无推理) 为 44.9(1 秒)。推理强度越高,回答前思考越久:得分更高,但等待更长、计费 token 也更多。 推理强度如何影响得分和成本

全部基准测试

共 158 项基准测试,按类别分组;点击名称可查看该排行榜及领先模型。† 表示同一模型在另一推理强度设置下的测量值,仅供参考,不计入胜场。

指标发布方Claude Sonnet 5 (high)DeepSeek V4.1 Flash 1017 (max)
BenchLeader IndexBenchLeader59.057.7
智能体与工具得分BenchLeader52.957.6
编程得分BenchLeader59.963.0
人类偏好得分BenchLeader64.6–
长上下文得分BenchLeader62.966.0
数学得分BenchLeader65.360.9
多模态得分BenchLeader60.963.0
推理得分BenchLeader65.455.7
综合得分BenchLeader–55.5
知识得分BenchLeader–47.7
混合价格(美元/百万 token)BenchLeader$4.00$0.525
输出速度BenchLeader99 tok/s174 tok/s
首次回答时间BenchLeader15.8 秒39.7 秒
上下文窗口BenchLeader1,000,000 token1,048,576 token
推理
GPQA DiamondEpoch AI Benchmarking Hub80.3%†93.2%
SimpleBenchSimpleBench60.6%†–
Arena Hard PromptsArena (LMArena)1490–
LiveBench 2.0 ReasoningLiveBench–89.1%
LiveBench 1.0 ReasoningLiveBench88.7%†–
GPQA Diamond (AA)Artificial Analysis91.1%†–
Humanity's Last Exam (AA)Artificial Analysis35.7%43.3%
HLE-Diamond (AA)Artificial Analysis–25.3%
GPQA Diamond (Vals)Vals AI88.9%†–
ARC-AGI-1ARC Prize–93.5%
ARC-AGI-2ARC Prize–78.1%
ARC-AGI-3ARC Prize–5.8%
CritPtArtificial Analysis15.1%24.0%
CritPt v2 hard subset (AA)Artificial Analysis–25.0%
HLE-Diamond (Scale)Scale AI SEAL–20.5%†
Arena ExpertArena (LMArena)1509–
Chess PuzzlesEpoch AI Benchmarking Hub45.0%†46.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub16.0%†49.0%
LMCAEpoch AI Benchmarking Hub50.0%–
DTBenchEpoch AI Benchmarking Hub84.5%–
ForecastBenchForecastBench63.1%†–
BTF-3Epoch AI Benchmarking Hub14.2%†–
编程
SciCodeSciCode54.3%55.9%
WeirdMLWeirdML68.8%–
FrontierCodeCognition42.7%†–
显示全部 158 项基准测试
指标发布方Claude Sonnet 5 (high)DeepSeek V4.1 Flash 1017 (max)
编程
GSO-BenchGSO-Bench37.3%†–
Arena CodingArena (LMArena)1520–
Arena WebDevArena (LMArena)15391664
LiveBench 2.0 CodingLiveBench–80.4%
LiveBench 1.0 CodingLiveBench80.7%†–
LiveCodeBenchVals AI82.4%†–
IOIVals AI45.0%†–
SWE-bench (Vals)Vals AI79.6%†–
Code MigrationVals AI44.4%†44.2%
Code Migration v1.1Vals AI–67.5%
ProgramBenchVals AI0.0%†–
Vibe Code Bench 1-100Vals AI13.8%†–
Vibe Code Bench v1.1Vals AI81.3%†87.7%
Vibe Code Bench 1-100 v1.1Vals AI–26.1%
SWE-Bench Pro V2Scale AI SEAL93.2%†–
SWE-Bench Pro V2 HARDScale AI SEAL88.2%†–
MirrorCodeEpoch AI Benchmarking Hub63.3%†–
Surface Evolver BenchEpoch AI Benchmarking Hub60.0%†–
DeepSWE v1.1Epoch AI Benchmarking Hub48.2%–
CursorBenchCursor30.8%47.7%
ALE-BenchEpoch AI Benchmarking Hub1463.11622
WeirdML v3WeirdML–9.2%†
Terminal-Bench 4.0 (AA)Artificial Analysis5.0%33.8%
Terminal-Bench 2.1 (AA)Artificial Analysis80.5%†–
Startrise FrontendStartrise66.6%†–
GameBench 2 OverallDuelLab GameBench 246.6†61.4†
GameBench 2 by reasoning settingDuelLab GameBench 254.4†69.9
Design Arena WebsiteDesign Arena1268†1295†
FrontierCode 1.1 (AA)Artificial Analysis–43.7%
FrontierCode 2.0 (AA)Artificial Analysis17.8%†28.5%
智能体与工具
Terminal-BenchTerminal-Bench12.1%†38.5%
APEX-AgentsMercor54.5%†69.8%
Arena AgentArena (LMArena)22
LiveBench Long AgenticLiveBench–38.8%
LiveBench BrowserLiveBench–67.2%
LiveBench Agentic CodingLiveBench59.4%†–
Terminal-Bench 2.1 (Vals)Vals AI74.5%†–
GDPval-AA v2.1, normalised scoreArtificial Analysis–62.3%
GDPval-AA v2.1Artificial Analysis12621746
τ³-Banking (AA)Artificial Analysis37.3%†–
Analyst Agent (AA)Artificial Analysis46.3%†–
CyberBenchVals AI61.9%†–
Finance Agent v2Vals AI53.9%†57.0%
Finance Agent v2.1Vals AI–62.9%
Harvey's Legal Agent Benchmark v1.1Vals AI–14.2%
Harvey's Legal Agent Benchmark v1Vals AI5.0%†9.2%
Legal Research BenchVals AI41.8%†45.2%
SkillsBenchVals AI46.5%†–
SREBenchVals AI0.4%†–
Tax Agent BenchVals AI29.4%†44.4%
Terminal-Bench 4.0 (Vals)Vals AI10.6%†31.8%
Terminal-Bench ScienceVals AI5.7%†–
Arena SearchArena (LMArena)1191†–
Arena Agent Task CompletionArena (LMArena)-0.62.3
GBAEvalEpoch AI Benchmarking Hub65.3%†–
Vending-Bench 2Andon Labs6377.7†–
AutomationBenchArtificial Analysis32.1%66.6%
GDP.pdf (AA)Artificial Analysis9.4%17.2%
EnterpriseOps-GymArtificial Analysis44.7%†–
AA-Briefcase v1.1Artificial Analysis11771570
GDPxGDPx by SemiAnalysis–5.4%
Design Arena AgenticDesign Arena1222†1282†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis–12.9%
CWE-Bench (AA)Artificial Analysis–69.2%
DeepSec-Bench (AA)Artificial Analysis–24.9%
CyberGym end-to-end (AA)Artificial Analysis–76.3%
MKA (AA)Artificial Analysis–38.5%
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub65.6%†71.2%
FrontierMath Tier 4Epoch AI Benchmarking Hub29.3%†46.3%
OTIS Mock AIMEEpoch AI Benchmarking Hub80.0%†99.4%
ProofBenchVals AI77.0%†–
LiveBench MathematicsLiveBench92.9%†–
ArXivMathMathArena–42.5%
BrokenArXivMathArena–48.7%
Arena MathsArena (LMArena)1472–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub33.7%†42.5%
LiveBench 2.0 Data AnalysisLiveBench–79.5%
LiveBench ResearchLiveBench–78.6%
LiveBench 1.0 Data AnalysisLiveBench71.7%†–
AA-Omniscience v1.1Artificial Analysis–0.9
MMLU-ProVals AI87.5%†–
LegalBenchVals AI83.9%†–
CorpFinVals AI67.0%†–
TaxEvalVals AI75.6%†–
PRBench FinanceScale AI SEAL–47.1%†
PRBench LegalScale AI SEAL–47.3%†
Excel Modeling BenchmarkVals AI66.3%†61.8%
Excel Modeling Benchmark v1.1Vals AI–69.2%
MedCodeVals AI47.5%†–
MedScribeVals AI76.0%†–
Public Benefits Bench v1.1Vals AI66.0%†–
Access to Justice BenchmarkVals AI–73.1%
DrugDiscoveryBenchScale AI SEAL50.0%†60.6%†
AA-Omniscience v1.1: accuracyArtificial Analysis–39.6%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis–35.9%
FACTS ParametricGoogle20.5%†–
指令遵循
LiveBench LanguageLiveBench75.0%†–
LiveBench Instruction FollowingLiveBench63.9%†–
MultiChallengeScale AI SEAL–74.9%†
Arena Instruction FollowingArena (LMArena)1467–
人类偏好
Arena TextArena (LMArena)1461–
EQ-Bench 4EQ-Bench1221†–
EQ-Bench Creative Writing v3EQ-Bench1798†–
Arena Creative WritingArena (LMArena)1434–
Arena Multi-turnArena (LMArena)1473–
Arena Longer QueriesArena (LMArena)1481–
多模态
Arena VisionArena (LMArena)1272–
LiveBench DesignLiveBench–79.8%
MMMU-ProArtificial Analysis77.3%†80.6%
MMMU-Pro (Vals)Vals AI83.0%†–
MortgageTaxVals AI70.0%†–
Humanity's Sixth SenseScale AI SEAL24.8%†30.1%
GeoBenchGeoBench74.0%–
Blueprint-Bench 2Epoch AI Benchmarking Hub24.9%†–
VIALS-AAHandshake AI–40.4%
长上下文
AA-LCR v1.1Artificial Analysis76.7%82.7%
Arena DocumentArena (LMArena)1469–
MLCRArtificial Analysis4.4%26.7%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub156.9†159.4†
LiveBench 2.0LiveBench–70.3%
LiveBench 1.0LiveBench76.0%†–
AA Intelligence Index v5.0.1Artificial Analysis–32.6
AA Intelligence Index v4.3.2Artificial Analysis31.745.1
AA Progress Index v1Artificial Analysis296.8323.7
Vals IndexVals AI–61.3
Vals Finance IndexVals AI–60.9%
Vals Multimodal IndexVals AI68.8%†–
Vals Router IndexVals AI–61.3%†
Vals Legal IndexVals AI–71.9%
AA Cyber IndexArtificial Analysis–56.8
安全与诚实
FORTRESSScale AI SEAL–27.2%†
DistressBenchScale AI SEAL68.0%†–
元数据
AA Openness IndexArtificial Analysis–44.4

数据截至 2026年11月16日。对比的是每个模型的最佳配置;每项分数的来源链接都在模型页面上。

DuelLab GameBench 2, release gb2-20261111-7b598bb13de4 (https://benchmarks.duellab.org/releases/gb2-20261111-7b598bb13de4/), CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Scores mapped to BenchLeader model names; not endorsed by DuelLab.

变化

  • DeepSeek V4.1 Flash 1017 (max):8 项新结果(LiveBench 2.0, LiveBench Long Agentic, LiveBench 2.0 Reasoning…)。
  • DeepSeek V4.1 Flash 1017 (max):BenchLeader Index 58.5 → 58.0。
  • Claude Sonnet 5 (high):2 项新结果(GDPval-AA v2.1, AA-Briefcase v1.1)。
  • DeepSeek V4.1 Flash 1017 (max):1 项新结果(Terminal-Bench);1 项分数修订。
  • Claude Sonnet 5 (high):BenchLeader Index 59.5 → 59.0。
  • DeepSeek V4.1 Flash 1017 (max):BenchLeader Index 59.0 → 58.5。
  • Claude Sonnet 5 (high):1 项新结果(GeoBench)。
  • DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
  • Claude Sonnet 5 (high):1 项分数修订。
  • DeepSeek V4.1 Flash 1017 (max):1 项分数修订。

排行榜: 综合最佳大模型 · 最适合智能体的大模型 · 便宜好用的大模型

Claude Sonnet 5 vs DeepSeek V4.1 Flash 1017:常见问题

Claude Sonnet 5 比 DeepSeek V4.1 Flash 1017 更好吗?
Claude Sonnet 5 (high) 与 DeepSeek V4.1 Flash 1017 (max) 的质量不相上下(59.0 比 57.7,在 ±4.3 的误差范围内)。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,两者差距在误差范围内,请结合你的用途查看各类别得分。
Claude Sonnet 5 和 DeepSeek V4.1 Flash 1017 哪个更便宜?价格会变吗?
目前 DeepSeek V4.1 Flash 1017 更便宜:每百万 token $0.525 比 $4.00(按每 1 个输出 token 对应 3 个输入 token 混合计算)。两者均未公布价格调整。
编程用 Claude Sonnet 5 还是 DeepSeek V4.1 Flash 1017 更好?
DeepSeek V4.1 Flash 1017 在编程方面得分更高(类别得分 63 比 60,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,Claude Sonnet 5 为 1539,DeepSeek V4.1 Flash 1017 为 1664。
Claude Sonnet 5 和 DeepSeek V4.1 Flash 1017 哪个更快?
DeepSeek V4.1 Flash 1017 输出更快(约 1.5 倍;输出 174 比 99 token/秒,Artificial Analysis 7 日中位数)。
DeepSeek V4.1 Flash 和 DeepSeek V4.1 Flash 1017 是同一个模型吗?
本页对比的检查点是 DeepSeek V4.1 Flash 1017(BenchLeader Index 57.7);它取代了之前的版本,因此搜索 DeepSeek V4.1 Flash 的用户也会来到本页。
更多问题(5)
智能体和工具调用用 Claude Sonnet 5 还是 DeepSeek V4.1 Flash 1017 更好?
DeepSeek V4.1 Flash 1017 在智能体任务方面得分更高(类别得分 58 比 53,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 Arena Agent 上,Claude Sonnet 5 为 2,DeepSeek V4.1 Flash 1017 为 2。
处理长文档哪个更好?
DeepSeek V4.1 Flash 1017 在长上下文基准测试上得分更高(66 比 63)。两者都约为 1M token(Claude Sonnet 5 为 1,000,000,DeepSeek V4.1 Flash 1017 为 1,048,576)。
哪个延迟更低?
Claude Sonnet 5 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 15.8 秒比 39.7 秒。这主要取决于推理强度:设置越高,回答前思考得越久。
第三方基准测试对 Claude Sonnet 5 和 DeepSeek V4.1 Flash 1017 的看法一致吗?
在两者都有结果的 16 项基准测试中,Claude Sonnet 5 领先 0 项,DeepSeek V4.1 Flash 1017 领先 15 项,1 项持平。
DeepSeek V4.1 Flash 1017 是什么时候发布的?
DeepSeek V4.1 Flash 1017 于 2026年10月17日 发布。