DeepSeek V4.1 Flash 1017 vs GPT-5.6 Terra
完整资料:DeepSeek V4.1 Flash 1017(DeepSeek)和 GPT-5.6 Terra(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,DeepSeek V4.1 Flash 与 GPT-5.6 Terra 的质量不相上下(BenchLeader Index 57.7 比 60.1,在 ±5.3 的误差范围内)。DeepSeek V4.1 Flash 更便宜,对方的价格是它的 8.6 倍(每百万 token 混合价格 $0.525 比 $4.50)。看重编程(63 比 59)、长上下文(66 比 64)和多模态(63 比 61)选 DeepSeek V4.1 Flash;看重智能体与工具(63 比 58)、知识(53 比 48)和数学(66 比 61)选 GPT-5.6 Terra。GPT-5.6 Terra 的首次回答更快(19.2 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)
- DeepSeek V4.1 Flash 的 BenchLeader Index 为 57.7,GPT-5.6 Terra 为 60.1(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-5.6 Terra 每百万 token 混合价格为 $4.50(标价,2026年11月16日)。
- DeepSeek V4.1 Flash 比 GPT-5.6 Terra 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 25 项基准测试中,DeepSeek V4.1 Flash 领先 21 项(BenchLeader,2026年11月16日)。
- 在 Arena WebDev 上,DeepSeek V4.1 Flash 1017 的评分为 1664,GPT-5.6 Terra 为 1520(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 59;Arena WebDev 1664 比 1520 | 中 |
| 智能体与工具调用 | GPT-5.6 Terra | 类别得分 63 比 58;Arena Agent -1.8 比 2 | 中 |
| 数学 | GPT-5.6 Terra | 类别得分 66 比 61 | 中 |
| 推理 | 均可 | 类别得分 56 比 55;HLE-Diamond (AA) 25.3% 比 24.7% | 均可 |
| 知识 | GPT-5.6 Terra | 类别得分 53 比 48;AA-Omniscience v1.1 -11.5 比 0.9 | 中 |
| 长文档 | DeepSeek V4.1 Flash 1017 | 类别得分 66 比 64;AA-LCR v1.1 82.7% 比 79.0% | 中 |
| 图像及其他媒体 | DeepSeek V4.1 Flash 1017 | 类别得分 63 比 61;MMMU-Pro 80.6% 比 79.5% | 中 |
| 对话质量(人类偏好) | – | 只有 GPT-5.6 Terra 有 Arena 评分(类别得分 66) | 无法比较 |
| 成本最低 | DeepSeek V4.1 Flash 1017 | 每百万 token 混合价格 $0.525 比 $4.50;智能体编程会话 $0.023 比 $0.168 | – |
| 首次回答最快 | GPT-5.6 Terra | 首个回答 token 19.2 秒(GPT-5.6 Terra (xhigh))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
- DeepSeek V4.1 Flash 1017 (max) 与 GPT-5.6 Terra (xhigh) 的质量不相上下(57.7 比 60.1,在 ±5.3 的误差范围内)。
- DeepSeek V4.1 Flash 1017 (max) 在编程、长上下文、多模态、推理方面更强。
- GPT-5.6 Terra (xhigh) 在智能体与工具、知识、数学方面更强。
- DeepSeek V4.1 Flash 1017 (max) 更便宜,对方的价格是它的 8.6 倍(每百万 token 混合价格 $0.525 比 $4.50)。
- DeepSeek V4.1 Flash 1017 (max) 的输出速度是对方的 1.8 倍(174 比 97 token/秒)。
概览
| 规格 | DeepSeek V4.1 Flash 1017 | GPT-5.6 Terra |
|---|---|---|
| 提供商 | DeepSeek | OpenAI |
| 发布日期 | 2026年10月17日 | 2026年7月9日 |
| 上下文窗口(token) | 1,048,576 | 1,050,000 |
| 对比时的配置 | DeepSeek V4.1 Flash 1017 (max) | GPT-5.6 Terra (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 | $2.00 / $12.00 / $0.200 |
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-5.6 Terra (xhigh) | 领先者 |
|---|---|---|---|
| 推理 | 55.7 | 54.8 | 持平 |
| 编程 | 63.0 | 59.1 | DeepSeek V4.1 Flash 1017 |
| 智能体与工具 | 57.6 | 63.1 | GPT-5.6 Terra |
| 数学 | 60.9 | 65.7 | GPT-5.6 Terra |
| 知识 | 47.7 | 53.0 | GPT-5.6 Terra |
| 指令遵循 | – | 65.6 | 无法比较 |
| 人类偏好 | – | 65.5 | 无法比较 |
| 多模态 | 63.0 | 61.2 | DeepSeek V4.1 Flash 1017 |
| 长上下文 | 66.0 | 64.1 | DeepSeek 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。
未绘制(测得的模型少于两个):指令遵循, 人类偏好。
各来源的分歧
在两者都有结果的 25 项基准测试中,DeepSeek V4.1 Flash 1017 领先 21 项,GPT-5.6 Terra 领先 4 项。所有同时评测两者的综合评分都认为 DeepSeek V4.1 Flash 1017 更强。
| 综合 Index | DeepSeek V4.1 Flash 1017 (max) | GPT-5.6 Terra (xhigh) | 领先者 |
|---|---|---|---|
| BenchLeader Index | 57.7 | 60.1 | 不相上下 |
| AA Intelligence Index v5.0.1 | 32.6 | 32.3† | DeepSeek V4.1 Flash 1017 |
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-5.6 Terra (xhigh) |
|---|---|---|
| 每百万 token 混合价格 | $0.525 | $4.50 |
| 每百万 token 输入 / 输出 | $0.300 / $1.20 | $2.00 / $12.00 |
| 每百万 token 缓存输入 | $0.0060 | $0.200 |
| 每项任务价格:聊天回复 | $0.0005 | $0.0044 |
| 每项任务价格:总结一份 30 页的报告 | $0.0043 | $0.031 |
| 每项任务价格:代码编辑 | $0.0036 | $0.030 |
| 每项任务价格:智能体编程会话 | $0.023 | $0.168 |
| 每项任务价格:结构化信息提取 | $0.0008 | $0.0064 |
| 智能体编程会话(输入大多命中缓存) | $0.0096 | $0.087 |
| 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/s | 97 tok/s |
| 首次回答时间 | 39.7 秒 | 19.2 秒 |
| 完整回答耗时(最近一次测量 2026年11月13日) | 91.2 秒 | 84.0 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-5.6 Terra (xhigh) 得分 60.1,首个回答 token 需 19 秒;GPT-5.6 Terra (max) 为 59.5(73 秒),GPT-5.6 Terra (high) 为 56.8(6 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 165 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-5.6 Terra (xhigh) |
|---|---|---|---|
| BenchLeader Index | BenchLeader | 57.7 | 60.1 |
| 智能体与工具得分 | BenchLeader | 57.6 | 63.1 |
| 编程得分 | BenchLeader | 63.0 | 59.1 |
| 综合得分 | BenchLeader | 55.5 | – |
| 知识得分 | BenchLeader | 47.7 | 53.0 |
| 长上下文得分 | BenchLeader | 66.0 | 64.1 |
| 数学得分 | BenchLeader | 60.9 | 65.7 |
| 多模态得分 | BenchLeader | 63.0 | 61.2 |
| 推理得分 | BenchLeader | 55.7 | 54.8 |
| 人类偏好得分 | BenchLeader | – | 65.5 |
| 指令遵循得分 | BenchLeader | – | 65.6 |
| 混合价格(美元/百万 token) | BenchLeader | $0.525 | $4.50 |
| 输出速度 | BenchLeader | 174 tok/s | 97 tok/s |
| 首次回答时间 | BenchLeader | 39.7 秒 | 19.2 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 1,050,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 93.2% | 93.3%† |
| SimpleBench | SimpleBench | – | 48.9% |
| Arena Hard Prompts | Arena (LMArena) | – | 1491 |
| LiveBench 2.0 Reasoning | LiveBench | 89.1% | 90.6%† |
| LiveBench 1.0 Reasoning | LiveBench | – | 90.6%† |
| GPQA Diamond (AA) | Artificial Analysis | – | 90.8% |
| Humanity's Last Exam (AA) | Artificial Analysis | 43.3% | 41.9% |
| HLE-Diamond (AA) | Artificial Analysis | 25.3% | 24.7% |
| GPQA Diamond (Vals) | Vals AI | – | 90.9% |
| Kagi LLM Benchmark | Kagi LLM Benchmark | – | 51.3%† |
| ARC-AGI-1 | ARC Prize | 93.5% | 94.0% |
| ARC-AGI-2 | ARC Prize | 78.1% | 74.2% |
| ARC-AGI-3 | ARC Prize | 5.8% | 0.7% |
| CritPt | Artificial Analysis | 24.0% | 27.1% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 25.0% | 50.5%† |
| HLE-Diamond (Scale) | Scale AI SEAL | 20.5%† | – |
| Arena Expert | Arena (LMArena) | – | 1507 |
| Chess Puzzles | Epoch AI Benchmarking Hub | 46.0% | 47.0%† |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 49.0% | 35.0%† |
| LMCA | Epoch AI Benchmarking Hub | – | 52.2% |
| DTBench | Epoch AI Benchmarking Hub | – | 92.5% |
| 编程 | |||
| SciCode | SciCode | 55.9% | 52.3% |
| WeirdML | WeirdML | – | 78.3%† |
| FrontierCode | Cognition | – | 41.3%† |
| Arena Coding | Arena (LMArena) | – | 1517 |
显示全部 165 项基准测试
| 指标 | 发布方 | DeepSeek V4.1 Flash 1017 (max) | GPT-5.6 Terra (xhigh) |
|---|---|---|---|
| 编程 | |||
| Arena WebDev | Arena (LMArena) | 1664 | 1520 |
| LiveBench 2.0 Coding | LiveBench | 80.4% | 84.2%† |
| LiveBench 1.0 Coding | LiveBench | – | 78.3%† |
| LiveCodeBench | Vals AI | – | 85.9% |
| IOI | Vals AI | – | 87.6%† |
| SWE-bench (Vals) | Vals AI | – | 95.4%† |
| Code Migration | Vals AI | 44.2% | 47.8%† |
| Code Migration v1.1 | Vals AI | 67.5% | – |
| ProgramBench | Vals AI | – | 0.5%† |
| Vibe Code Bench 1-100 | Vals AI | – | 14.8%† |
| Vibe Code Bench v1.1 | Vals AI | 87.7% | 74.6%† |
| Vibe Code Bench 1-100 v1.1 | Vals AI | 26.1% | – |
| SWE-Bench Pro V2 | Scale AI SEAL | – | 92.4% |
| SWE-Bench Pro V2 HARD | Scale AI SEAL | – | 86.3% |
| MirrorCode | Epoch AI Benchmarking Hub | – | 41.1%† |
| Surface Evolver Bench | Epoch AI Benchmarking Hub | – | 83.8% |
| DeepSWE v1.1 | Epoch AI Benchmarking Hub | – | 60.2% |
| CursorBench | Cursor | 47.7% | 33.6% |
| ALE-Bench | Epoch AI Benchmarking Hub | 1622 | 1951.4† |
| WeirdML v3 | WeirdML | 9.2%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 33.8% | 10.1% |
| Terminal-Bench 2.1 (AA) | Artificial Analysis | – | 80.2% |
| Startrise Frontend | Startrise | – | 66.9%† |
| GameBench 2 Overall | DuelLab GameBench 2 | 61.4† | 45.6† |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 69.9 | 53.5 |
| Design Arena Website | Design Arena | 1295† | 1260† |
| FrontierCode 1.1 (AA) | Artificial Analysis | 43.7% | – |
| FrontierCode 2.0 (AA) | Artificial Analysis | 28.5% | 23.9%† |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 38.5% | 21.5%† |
| APEX-Agents | Mercor | 69.8% | 58.2%† |
| Arena Agent | Arena (LMArena) | 2 | -1.8 |
| LiveBench Long Agentic | LiveBench | 38.8% | 25.9%† |
| LiveBench Browser | LiveBench | 67.2% | 70.3%† |
| LiveBench Agentic Coding | LiveBench | – | 55.0%† |
| Terminal-Bench Hard | Artificial Analysis | – | 62.9% |
| τ²-Bench Telecom (AA) | Artificial Analysis | – | 80.4% |
| Terminal-Bench 2.1 (Vals) | Vals AI | – | 77.5%† |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 62.3% | 47.4% |
| GDPval-AA v2.1 | Artificial Analysis | 1746 | 1456 |
| τ³-Banking (AA) | Artificial Analysis | – | 29.7% |
| ITBench SRE (AA) | Artificial Analysis | – | 51.0%† |
| APEX-Agents (AA) | Artificial Analysis | – | 38.9%† |
| CyberBench | Vals AI | – | 72.1%† |
| Finance Agent v2 | Vals AI | 57.0% | 54.4%† |
| Finance Agent v2.1 | Vals AI | 62.9% | – |
| Harvey's Legal Agent Benchmark v1.1 | Vals AI | 14.2% | – |
| Harvey's Legal Agent Benchmark v1 | Vals AI | 9.2% | 0.8%† |
| Legal Research Bench | Vals AI | 45.2% | 41.4%† |
| SkillsBench | Vals AI | – | 58.9%† |
| SREBench | Vals AI | – | 9.5%† |
| Tax Agent Bench | Vals AI | 44.4% | 30.0%† |
| Terminal-Bench 4.0 (Vals) | Vals AI | 31.8% | 22.7%† |
| Terminal-Bench Science | Vals AI | – | 10.0%† |
| Arena Agent Task Completion | Arena (LMArena) | 2.3 | -7.2 |
| BALROG | BALROG | – | 53.2%† |
| Vending-Bench 2 | Andon Labs | – | 7343.2† |
| AutomationBench | Artificial Analysis | 66.6% | 47.1% |
| GDP.pdf (AA) | Artificial Analysis | 17.2% | 24.6% |
| EnterpriseOps-Gym | Artificial Analysis | – | 38.5%† |
| AA-Briefcase v1.1 | Artificial Analysis | 1570 | 1332 |
| GDPx | GDPx by SemiAnalysis | 5.4% | – |
| Design Arena Agentic | Design Arena | 1282† | 1089† |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 12.9% | 13.8%† |
| CWE-Bench (AA) | Artificial Analysis | 69.2% | – |
| DeepSec-Bench (AA) | Artificial Analysis | 24.9% | 25.1%† |
| CyberGym end-to-end (AA) | Artificial Analysis | 76.3% | – |
| MKA (AA) | Artificial Analysis | 38.5% | – |
| FACTS Search | – | 87.0%† | |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 71.2% | 86.0%† |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 46.3% | 70.7%† |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 99.4% | 99.7%† |
| ProofBench | Vals AI | – | 74.0% |
| LiveBench Mathematics | LiveBench | – | 94.9%† |
| ArXivMath | MathArena | 42.5% | – |
| BrokenArXiv | MathArena | 48.7% | – |
| Arena Maths | Arena (LMArena) | – | 1478 |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 42.5% | 43.2%† |
| LiveBench 2.0 Data Analysis | LiveBench | 79.5% | 79.3%† |
| LiveBench Research | LiveBench | 78.6% | 79.7%† |
| LiveBench 1.0 Data Analysis | LiveBench | – | 79.3%† |
| AA-Omniscience v1.1 | Artificial Analysis | 0.9 | -11.5 |
| MMLU-Pro | Vals AI | – | 86.7% |
| LegalBench | Vals AI | – | 85.1%† |
| CorpFin | Vals AI | – | 65.3% |
| TaxEval | Vals AI | – | 76.2% |
| PRBench Finance | Scale AI SEAL | 47.1%† | – |
| PRBench Legal | Scale AI SEAL | 47.3%† | – |
| Excel Modeling Benchmark | Vals AI | 61.8% | 66.2%† |
| Excel Modeling Benchmark v1.1 | Vals AI | 69.2% | – |
| MedCode | Vals AI | – | 43.4% |
| MedScribe | Vals AI | – | 82.9% |
| Public Benefits Bench v1.1 | Vals AI | – | 62.4%† |
| Access to Justice Benchmark | Vals AI | 73.1% | – |
| Financial Coaching Bench | Vals AI | – | 71.0%† |
| DrugDiscoveryBench | Scale AI SEAL | 60.6%† | – |
| GDP.pdf | Epoch AI Benchmarking Hub | – | 24.7%† |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 39.6% | 41.3% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 35.9% | 9.9% |
| FACTS Parametric | – | 57.6%† | |
| 指令遵循 | |||
| LiveBench Language | LiveBench | – | 82.9%† |
| LiveBench Instruction Following | LiveBench | – | 64.6%† |
| IFBench | Artificial Analysis | – | 66.3% |
| MultiChallenge | Scale AI SEAL | 74.9%† | – |
| Arena Instruction Following | Arena (LMArena) | – | 1463 |
| 人类偏好 | |||
| Arena Text | Arena (LMArena) | – | 1468 |
| EQ-Bench 4 | EQ-Bench | – | 1220† |
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 1856† |
| Arena Creative Writing | Arena (LMArena) | – | 1430 |
| Arena Multi-turn | Arena (LMArena) | – | 1475 |
| Arena Longer Queries | Arena (LMArena) | – | 1469 |
| 多模态 | |||
| Arena Vision | Arena (LMArena) | – | 1269 |
| LiveBench Design | LiveBench | 79.8% | 70.9%† |
| MMMU-Pro | Artificial Analysis | 80.6% | 79.5% |
| MMMU-Pro (Vals) | Vals AI | – | 86.5%† |
| MortgageTax | Vals AI | – | 67.3% |
| SAGE | Vals AI | – | 87.0%† |
| Humanity's Sixth Sense | Scale AI SEAL | 30.1% | 22.7%† |
| Blueprint-Bench 2 | Epoch AI Benchmarking Hub | – | 30.8%† |
| Furniture Assembly | Epoch AI Benchmarking Hub | – | 54.2%† |
| VIALS-AA | Handshake AI | 40.4% | – |
| FACTS Multimodal | – | 39.9%† | |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 82.7% | 79.0% |
| Arena Document | Arena (LMArena) | – | 1474 |
| MLCR | Artificial Analysis | 26.7% | 22.8% |
| FACTS Grounding | – | 60.5%† | |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 159.4† | 160.7† |
| LiveBench 2.0 | LiveBench | 70.3% | 67.2%† |
| LiveBench 1.0 | LiveBench | – | 77.9%† |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 32.6 | 32.3† |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 45.1 | 38.0 |
| AA Progress Index v1 | Artificial Analysis | 323.7 | 312 |
| Vals Index | Vals AI | 61.3 | – |
| Vals Finance Index | Vals AI | 60.9% | – |
| Vals Multimodal Index | Vals AI | – | 65.1% |
| Vals Router Index | Vals AI | 61.3%† | – |
| Vals Legal Index | Vals AI | 71.9% | – |
| AA Cyber Index | Artificial Analysis | 56.8 | – |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 27.2%† | – |
| DistressBench | Scale AI SEAL | – | 76.4%† |
| 元数据 | |||
| AA Openness Index | Artificial 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。
- GPT-5.6 Terra (xhigh):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。
- DeepSeek V4.1 Flash 1017 (max):BenchLeader Index 59.0 → 58.5。
- DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
- DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
- DeepSeek V4.1 Flash 1017 (max):3 项分数修订。
- GPT-5.6 Terra (xhigh):1 项分数修订。
- DeepSeek V4.1 Flash 1017 (max):1 项新结果(ARC-AGI-3);2 项分数修订。
相关对比
- DeepSeek V4.1 Flash 1017 vs Claude Fable 5.2
- DeepSeek V4.1 Flash 1017 vs Gemini 4 Carbon
- DeepSeek V4.1 Flash 1017 vs Claude Opus 5.5
- DeepSeek V4.1 Flash 1017 vs GPT-6 Astra
- GPT-5.6 Terra vs Gemini 4 Carbon
- DeepSeek V4.1 Flash 1017 vs GPT-5.5
- DeepSeek V4.1 Flash 1017 vs Claude Fable 5.1
- DeepSeek V4.1 Flash 1017 vs GPT-6.1 Sol
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-5.6 Terra:常见问题
- DeepSeek V4.1 Flash 1017 比 GPT-5.6 Terra 更好吗?
- DeepSeek V4.1 Flash 1017 (max) 与 GPT-5.6 Terra (xhigh) 的质量不相上下(57.7 比 60.1,在 ±5.3 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。
- DeepSeek V4.1 Flash 1017 和 GPT-5.6 Terra 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 $4.50(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-5.6 Terra 更好?
- DeepSeek V4.1 Flash 1017 在编程方面得分更高(类别得分 63 比 59,50 为平均水平)。在两者共同的最主要编程基准测试 Arena WebDev 上,DeepSeek V4.1 Flash 1017 为 1664,GPT-5.6 Terra 为 1520。
- DeepSeek V4.1 Flash 1017 和 GPT-5.6 Terra 哪个更快?
- DeepSeek V4.1 Flash 1017 输出更快(约 1.5 倍;输出 174 比 97 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-5.6 Terra 更好?
- GPT-5.6 Terra 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)。在两者共同的最主要智能体与工具基准测试 Arena Agent 上,DeepSeek V4.1 Flash 1017 为 2,GPT-5.6 Terra 为 -1.8。
- 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 64)。两者都约为 1.1M token(DeepSeek V4.1 Flash 1017 为 1,048,576,GPT-5.6 Terra 为 1,050,000)。
- 哪个延迟更低?
- GPT-5.6 Terra 先开始回答:据 Artificial Analysis 测量,首个回答 token 的等待时间为 19.2 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 DeepSeek V4.1 Flash 1017 和 GPT-5.6 Terra 的看法一致吗?
- 在两者都有结果的 25 项基准测试中,DeepSeek V4.1 Flash 1017 领先 21 项,GPT-5.6 Terra 领先 4 项。所有同时评测两者的综合评分都认为 DeepSeek V4.1 Flash 1017 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。