BenchLeader

DeepSeek V4.1 Flash 1017 vs GPT-5.4

完整资料:DeepSeek V4.1 Flash 1017(DeepSeek)和 GPT-5.4(OpenAI),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,质量上 GPT-5.4 领先 DeepSeek V4.1 Flash(BenchLeader Index 63.1 比 57.7)。不过,DeepSeek V4.1 Flash 更便宜,对方的价格是它的 11 倍(每百万 token 混合价格 $0.525 比 $5.63)。看重多模态(63 比 61)选 DeepSeek V4.1 Flash;看重知识(59 比 48)、推理(66 比 56)和智能体与工具(63 比 58)选 GPT-5.4。DeepSeek V4.1 Flash 的首次回答更快(39.7 秒 比 144.9 秒)。DeepSeek V4.1 Flash 的输出更快(约 2 倍)。

要点(截至 2026年11月16日)

  • DeepSeek V4.1 Flash 的 BenchLeader Index 为 57.7,GPT-5.4 为 63.1(BenchLeader,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)。
  • GPT-5.4 每百万 token 混合价格为 $5.63(标价,2026年11月16日)。
  • DeepSeek V4.1 Flash 比 GPT-5.4 输出更快(约 2 倍;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 20 项基准测试中,DeepSeek V4.1 Flash 领先 12 项(BenchLeader,2026年11月16日)。

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GPT-5.4类别得分 65 比 63;SciCode 56.6% 比 55.9%中
智能体与工具调用GPT-5.4类别得分 63 比 58;GDPval-AA v2.1 1256 比 1746中
数学GPT-5.4类别得分 65 比 61;FrontierMath Tiers 1–3 78.6% 比 71.2%中
推理GPT-5.4类别得分 66 比 56;GPQA Diamond 93.3% 比 93.2%高
知识GPT-5.4类别得分 59 比 48;SimpleQA Verified 45.1% 比 42.5%高
长文档均可类别得分 66 比 66;AA-LCR v1.1 82.7% 比 82.0%均可
图像及其他媒体DeepSeek V4.1 Flash 1017类别得分 63 比 61;MMMU-Pro 80.6% 比 78.4%中
成本最低DeepSeek V4.1 Flash 1017每百万 token 混合价格 $0.525 比 $5.63;智能体编程会话 $0.023 比 $0.210–
首次回答最快DeepSeek V4.1 Flash 1017首个回答 token 39.7 秒(DeepSeek V4.1 Flash 1017 (max))比 144.9 秒(GPT-5.4 (xhigh))–
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

  • 质量上 GPT-5.4 (xhigh) 领先:63.1 比 57.7。
  • DeepSeek V4.1 Flash 1017 (max) 在长上下文、多模态方面更强。
  • GPT-5.4 (xhigh) 在智能体与工具、编程、知识、数学、推理方面更强。
  • DeepSeek V4.1 Flash 1017 (max) 更便宜,对方的价格是它的 11 倍(每百万 token 混合价格 $0.525 比 $5.63)。
  • DeepSeek V4.1 Flash 1017 (max) 的输出速度是对方的 2.4 倍(174 比 73 token/秒)。

概览

规格DeepSeek V4.1 Flash 1017GPT-5.4
提供商DeepSeekOpenAI
发布日期2026年10月17日2026年3月5日
上下文窗口(token)1,048,5761,050,000
对比时的配置DeepSeek V4.1 Flash 1017 (max)GPT-5.4 (xhigh)
开放权重是否
每百万 token 价格(输入 / 输出 / 缓存输入)$0.300 / $1.20 / $0.0060$2.50 / $15.00 / $0.250

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DeepSeek V4.1 Flash 1017 (max)GPT-5.4 (xhigh)领先者
推理55.765.7GPT-5.4
编程63.064.7GPT-5.4
智能体与工具57.663.0GPT-5.4
数学60.964.8GPT-5.4
知识47.758.6GPT-5.4
指令遵循–72.4无法比较
多模态63.060.8DeepSeek V4.1 Flash 1017
长上下文66.065.7持平
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知识长上下文多模态DeepSeek 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, 知识: 47.7DeepSeek V4.1 Flash 1017, 长上下文: 66.0DeepSeek V4.1 Flash 1017, 多模态: 63.0GPT-5.4, 推理: 65.7GPT-5.4, 编程: 64.7GPT-5.4, 智能体与工具: 63.0GPT-5.4, 数学: 64.8GPT-5.4, 知识: 58.6GPT-5.4, 长上下文: 65.7GPT-5.4, 多模态: 60.8

未绘制(测得的模型少于两个):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 20 项基准测试中,DeepSeek V4.1 Flash 1017 领先 12 项,GPT-5.4 领先 8 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。

综合 IndexDeepSeek V4.1 Flash 1017 (max)GPT-5.4 (xhigh)领先者
BenchLeader Index57.763.1GPT-5.4

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DeepSeek V4.1 Flash 1017 (max)GPT-5.4 (xhigh)
每百万 token 混合价格$0.525$5.63
每百万 token 输入 / 输出$0.300 / $1.20$2.50 / $15.00
每百万 token 缓存输入$0.0060$0.250
每项任务价格:聊天回复$0.0005$0.0055
每项任务价格:总结一份 30 页的报告$0.0043$0.039
每项任务价格:代码编辑$0.0036$0.037
每项任务价格:智能体编程会话$0.023$0.210
每项任务价格:结构化信息提取$0.0008$0.0080
智能体编程会话(输入大多命中缓存)$0.0096$0.109
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174 tok/s73 tok/s
首次回答时间39.7 秒144.9 秒
完整回答耗时(最近一次测量 2026年11月13日)91.2 秒193.1 秒

每个模型都按其排名最高的推理强度设置进行对比。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)。GPT-5.4 (xhigh) 得分 63.1,首个回答 token 需 145 秒;GPT-5.4 (low) 为 58.8(3 秒),GPT-5.4 (high) 为 58.6(2 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 176 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DeepSeek V4.1 Flash 1017 (max)GPT-5.4 (xhigh)
BenchLeader IndexBenchLeader57.763.1
智能体与工具得分BenchLeader57.663.0
编程得分BenchLeader63.064.7
综合得分BenchLeader55.5–
知识得分BenchLeader47.758.6
长上下文得分BenchLeader66.065.7
数学得分BenchLeader60.964.8
多模态得分BenchLeader63.060.8
推理得分BenchLeader55.765.7
指令遵循得分BenchLeader–72.4
混合价格(美元/百万 token)BenchLeader$0.525$5.63
输出速度BenchLeader174 tok/s73 tok/s
首次回答时间BenchLeader39.7 秒144.9 秒
上下文窗口BenchLeader1,048,576 token1,050,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.2%93.3%
Humanity's Last ExamScale AI / CAIS–36.2%
Arena Hard PromptsArena (LMArena)–1487†
LiveBench 2.0 ReasoningLiveBench89.1%–
LiveBench 1.0 ReasoningLiveBench–88.1%
GPQA Diamond (AA)Artificial Analysis–92.0%
Humanity's Last Exam (AA)Artificial Analysis43.3%43.7%
HLE-Diamond (AA)Artificial Analysis25.3%–
GPQA Diamond (Vals)Vals AI–91.7%
Kagi LLM BenchmarkKagi LLM Benchmark–63.8%†
ARC-AGI-1ARC Prize93.5%93.7%
ARC-AGI-2ARC Prize78.1%74.0%
ARC-AGI-3ARC Prize5.8%0.2%†
CritPtArtificial Analysis24.0%23.4%
CritPt v2 hard subset (AA)Artificial Analysis25.0%–
HLE-Diamond (Scale)Scale AI SEAL20.5%†–
Arena ExpertArena (LMArena)–1491†
Chess PuzzlesEpoch AI Benchmarking Hub46.0%48.0%
Mystery Game PuzzlesEpoch AI Benchmarking Hub49.0%37.0%
CL-benchEpoch AI Benchmarking Hub–27.9%
CL-bench LifeEpoch AI Benchmarking Hub–21.7%
LMCAEpoch AI Benchmarking Hub–52.0%
DTBenchEpoch AI Benchmarking Hub–94.4%
ForecastBenchForecastBench–63.0%†
编程
SWE-bench Verified (Epoch)Epoch AI Benchmarking Hub–76.9%†
显示全部 176 项基准测试
指标发布方DeepSeek V4.1 Flash 1017 (max)GPT-5.4 (xhigh)
编程
SciCodeSciCode55.9%56.6%
WeirdMLWeirdML–77.7%
GSO-BenchGSO-Bench–31.4%
Arena CodingArena (LMArena)–1511†
Arena WebDevArena (LMArena)16641400†
LiveBench 2.0 CodingLiveBench80.4%–
LiveBench 1.0 CodingLiveBench–77.5%
SciCode (AA)Artificial Analysis55.9%–
LiveCodeBenchVals AI–84.1%
SWE-bench (Vals)Vals AI–78.2%
SWE-Bench ProScale AI SEAL–59.1%
Code MigrationVals AI44.2%35.0%
Code Migration v1.1Vals AI67.5%–
ProgramBenchVals AI–0.0%
Vibe Code Bench v1.1Vals AI87.7%67.4%
Vibe Code Bench 1-100 v1.1Vals AI26.1%–
SWE-Bench Pro (private)Scale AI SEAL–43.4%
SWE Atlas v1.0: Codebase QnAScale AI SEAL–40.8%
SWE Atlas v1.0: RefactoringScale AI SEAL–44.3%
SWE Atlas v1.0: Test WritingScale AI SEAL–44.4%
MirrorCodeEpoch AI Benchmarking Hub–23.3%
DeepSWE v1.1Epoch AI Benchmarking Hub–51.8%
CursorBenchCursor47.7%–
ALE-BenchEpoch AI Benchmarking Hub16221607†
AlgoTuneAlgoTune–1.9†
WeirdML v3WeirdML9.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis33.8%–
Terminal-Bench 2.1 (AA)Artificial Analysis–78.3%
GameBench 2 OverallDuelLab GameBench 261.4†53.4†
GameBench 2 by reasoning settingDuelLab GameBench 269.962.1
Design Arena WebsiteDesign Arena1295†1190†
FrontierCode 1.1 (AA)Artificial Analysis43.7%–
FrontierCode 2.0 (AA)Artificial Analysis28.5%–
智能体与工具
Terminal-BenchTerminal-Bench38.5%81.8%†
APEX-AgentsMercor69.8%52.4%†
Arena AgentArena (LMArena)2–
LiveBench Long AgenticLiveBench38.8%–
LiveBench BrowserLiveBench67.2%–
LiveBench Agentic CodingLiveBench–53.8%
Terminal-Bench HardArtificial Analysis–57.6%
τ²-Bench Telecom (AA)Artificial Analysis–87.1%
MCP AtlasScale AI SEAL–70.6%
HiL-BenchScale AI SEAL–9.7%†
τ³-bench Bankingτ²-bench–39.4%
GDPval-AA v2.1, normalised scoreArtificial Analysis62.3%–
GDPval-AA v2.1Artificial Analysis17461256
τ³-Banking (AA)Artificial Analysis–39.6%
APEX-Agents (AA)Artificial Analysis–33.3%
Finance Agent v2Vals AI57.0%–
Finance Agent v2.1Vals AI62.9%–
Harvey's Legal Agent Benchmark v1.1Vals AI14.2%–
Harvey's Legal Agent Benchmark v1Vals AI9.2%0.0%
Legal Research BenchVals AI45.2%–
SkillsBenchVals AI–51.7%
Tax Agent BenchVals AI44.4%–
Terminal-Bench 2.0 (Vals)Vals AI–58.4%†
Terminal-Bench 4.0 (Vals)Vals AI31.8%–
Arena SearchArena (LMArena)–1196†
Arena Agent Task CompletionArena (LMArena)2.3–
DeepResearch BenchDeepResearch Bench–35.1%†
PostTrainBenchEpoch AI Benchmarking Hub–17.8%†
METR Time HorizonsMETR–74.3%
GBAEvalEpoch AI Benchmarking Hub–45.1%†
Vending-Bench 2Andon Labs–6144.2†
AutomationBenchArtificial Analysis66.6%–
GDP.pdf (AA)Artificial Analysis17.2%–
AA-Briefcase v1.1Artificial Analysis1570–
GDPxGDPx by SemiAnalysis5.4%–
Design Arena AgenticDesign Arena1282†1042†
Terminal-Bench-Science 0.1 (AA)Artificial Analysis12.9%–
CWE-Bench (AA)Artificial Analysis69.2%–
DeepSec-Bench (AA)Artificial Analysis24.9%–
CyberGym end-to-end (AA)Artificial Analysis76.3%–
MKA (AA)Artificial Analysis38.5%–
DeepSearchQAGoogle–63.7%†
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub71.2%78.6%
FrontierMath Tier 4Epoch AI Benchmarking Hub46.3%49.0%
OTIS Mock AIMEEpoch AI Benchmarking Hub99.4%95.3%
ProofBenchVals AI–56.0%
LiveBench MathematicsLiveBench–94.2%
AIME (Vals)Vals AI–96.7%
AIME 2026MathArena–99.2%
HMMT February 2026MathArena–97.7%
USAMO 2026MathArena–95.2%
MathArena ApexMathArena–54.2%
ArXivMathMathArena42.5%–
BrokenArXivMathArena48.7%–
Arena MathsArena (LMArena)–1459†
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub42.5%45.1%
LiveBench 2.0 Data AnalysisLiveBench79.5%–
LiveBench ResearchLiveBench78.6%–
LiveBench 1.0 Data AnalysisLiveBench–79.3%
AA-Omniscience v1.1Artificial Analysis0.9–
MMLU-ProVals AI–87.5%
LegalBenchVals AI–86.0%
CorpFinVals AI–65.3%
TaxEvalVals AI–74.0%
MedQAVals AI–96.1%
PRBench FinanceScale AI SEAL47.1%†45.6%†
PRBench LegalScale AI SEAL47.3%†44.4%†
MultiNRCScale AI SEAL–58.3%†
CaseLaw v2Vals AI–63.8%
Excel Modeling BenchmarkVals AI61.8%–
Excel Modeling Benchmark v1.1Vals AI69.2%–
MedCodeVals AI–41.3%
MedScribeVals AI–77.5%
Access to Justice BenchmarkVals AI73.1%–
DrugDiscoveryBenchScale AI SEAL60.6%†–
EBR-benchEpoch AI Benchmarking Hub–25.4%
AA-Omniscience v1.1: accuracyArtificial Analysis39.6%–
AA-Omniscience v1.1: non-hallucinationArtificial Analysis35.9%–
指令遵循
LiveBench LanguageLiveBench–82.6%
LiveBench Instruction FollowingLiveBench–70.2%
IFBenchArtificial Analysis–74.0%
MultiChallengeScale AI SEAL74.9%†–
Arena Instruction FollowingArena (LMArena)–1460†
人类偏好
Arena TextArena (LMArena)–1465†
EQ-Bench 4EQ-Bench–1258†
EQ-Bench Creative Writing v3EQ-Bench–1841†
Arena Creative WritingArena (LMArena)–1433†
Arena Multi-turnArena (LMArena)–1480†
Arena Longer QueriesArena (LMArena)–1477†
多模态
Arena VisionArena (LMArena)–1292†
LiveBench DesignLiveBench79.8%–
MMMU-ProArtificial Analysis80.6%78.4%
VISTAScale AI SEAL–50.9%†
MMMU-Pro (Vals)Vals AI–87.5%
MortgageTaxVals AI–68.3%
Humanity's Sixth SenseScale AI SEAL30.1%–
VTBScale AI SEAL–29.2%†
Blueprint-Bench 2Epoch AI Benchmarking Hub–27.1%†
Furniture AssemblyEpoch AI Benchmarking Hub–37.5%
VIALS-AAHandshake AI40.4%–
长上下文
AA-LCR v1.1Artificial Analysis82.7%82.0%
Arena DocumentArena (LMArena)–1471†
MLCRArtificial Analysis26.7%–
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.4†157.8†
LiveBench 2.0LiveBench70.3%–
LiveBench 1.0LiveBench–78.0%
AA Intelligence Index v5.0.1Artificial Analysis32.6–
AA Intelligence Index v4.3.2Artificial Analysis45.139.0
AA Progress Index v1Artificial Analysis323.7311.6
Vals IndexVals AI61.3–
Vals Finance IndexVals AI60.9%–
Vals RSI IndexVals AI–15.5%
Vals Router IndexVals AI61.3%†–
Vals Legal IndexVals AI71.9%–
AA Cyber IndexArtificial Analysis56.8–
安全与诚实
FORTRESSScale AI SEAL27.2%†–
MASKScale AI SEAL–89.7%†
元数据
AA Openness IndexArtificial Analysis44.4–

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。
  • GPT-5.4 (xhigh):1 项新结果(GDPval-AA v2.1)。
  • DeepSeek V4.1 Flash 1017 (max):1 项新结果(Terminal-Bench);1 项分数修订。
  • DeepSeek V4.1 Flash 1017 (max):BenchLeader Index 59.0 → 58.5。
  • DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
  • GPT-5.4 (xhigh):1 项新结果(MirrorCode)。
  • GPT-5.4 (xhigh):BenchLeader Index 63.7 → 63.2。
  • DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
  • DeepSeek V4.1 Flash 1017 (max):3 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

DeepSeek V4.1 Flash 1017 vs GPT-5.4:常见问题

GPT-5.4 比 DeepSeek V4.1 Flash 1017 更好吗?
质量上 GPT-5.4 (xhigh) 领先:63.1 比 57.7。BenchLeader Index 综合了所有第三方质量基准测试;截至 2026年11月16日,GPT-5.4 (xhigh) 总体领先,但请结合你的用途查看各类别得分。
DeepSeek V4.1 Flash 1017 和 GPT-5.4 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 $5.63(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 DeepSeek V4.1 Flash 1017 还是 GPT-5.4 更好?
GPT-5.4 在编程方面得分更高(类别得分 65 比 63,50 为平均水平)。在两者共同的最主要编程基准测试 SciCode 上,DeepSeek V4.1 Flash 1017 为 55.9%,GPT-5.4 为 56.6%。
DeepSeek V4.1 Flash 1017 和 GPT-5.4 哪个更快?
DeepSeek V4.1 Flash 1017 输出更快(约 2 倍;输出 174 比 73 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 DeepSeek V4.1 Flash 1017 还是 GPT-5.4 更好?
GPT-5.4 在智能体任务方面得分更高(类别得分 63 比 58,50 为平均水平)。
处理长文档哪个更好?
两者在长上下文基准测试上持平(66 比 66)。两者都约为 1.1M token(DeepSeek V4.1 Flash 1017 为 1,048,576,GPT-5.4 为 1,050,000)。
哪个延迟更低?
DeepSeek V4.1 Flash 1017 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 39.7 秒比 144.9 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 DeepSeek V4.1 Flash 1017 和 GPT-5.4 的看法一致吗?
在两者都有结果的 20 项基准测试中,DeepSeek V4.1 Flash 1017 领先 12 项,GPT-5.4 领先 8 项。所有同时评测两者的综合评分都认为 GPT-5.4 更强。
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。