BenchLeader

DeepSeek V4.1 Flash 1017 vs Qwen3.8 2.4T A95B

完整资料:DeepSeek V4.1 Flash 1017(DeepSeek)和 Qwen3.8 2.4T A95B(Alibaba),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 Qwen3.8 2.4T A95B 的质量不相上下(BenchLeader Index 57.7 比 51.4,在 ±14.7 的误差范围内)。DeepSeek V4.1 Flash 更便宜,对方的价格是它的 5.7 倍(每百万 token 混合价格 $0.525 比 $3.00)。看重智能体与工具(58 比 48)、推理(56 比 46)和长上下文(66 比 65)选 DeepSeek V4.1 Flash;看重知识(49 比 48)选 Qwen3.8 2.4T A95B。DeepSeek V4.1 Flash 的首次回答更快(39.7 秒 比 107.3 秒)。DeepSeek V4.1 Flash 的输出更快(3 倍以上)。

要点(截至 2026年11月16日)

  • DeepSeek V4.1 Flash 的 BenchLeader Index 为 57.7,Qwen3.8 2.4T A95B 为 51.4(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)。
  • Qwen3.8 2.4T A95B 每百万 token 混合价格为 $3.00(标价,2026年11月16日)。
  • DeepSeek V4.1 Flash 比 Qwen3.8 2.4T A95B 输出更快(3 倍以上;Artificial Analysis,7 日中位数,2026年11月16日)。
  • 在两者都有结果的 21 项基准测试中,DeepSeek V4.1 Flash 领先 18 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
智能体与工具调用DeepSeek V4.1 Flash 1017类别得分 58 比 48;CWE-Bench (AA) 69.2% 比 28.3%高
推理DeepSeek V4.1 Flash 1017类别得分 56 比 46;HLE-Diamond (AA) 25.3% 比 20.1%高
知识Qwen3.8 2.4T A95B类别得分 49 比 48;AA-Omniscience v1.1 7.8 比 0.9中
长文档DeepSeek V4.1 Flash 1017类别得分 66 比 65;AA-LCR v1.1 82.7% 比 80.3%中
成本最低DeepSeek V4.1 Flash 1017每百万 token 混合价格 $0.525 比 $3.00;智能体编程会话 $0.023 比 $0.144–
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 107.3 秒(Qwen3.8 2.4T A95B)–
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 Qwen3.8 2.4T A95B 的质量不相上下(57.7 比 51.4,在 ±14.7 的误差范围内)。
  • DeepSeek V4.1 Flash 1017 (max) 在智能体与工具、长上下文、推理方面更强。
  • Qwen3.8 2.4T A95B 在知识方面更强。
  • DeepSeek V4.1 Flash 1017 (max) 更便宜,对方的价格是它的 5.7 倍(每百万 token 混合价格 $0.525 比 $3.00)。
  • DeepSeek V4.1 Flash 1017 (max) 的输出速度是对方的 4.3 倍(174 比 41 token/秒)。

概览

规格DeepSeek V4.1 Flash 1017Qwen3.8 2.4T A95B
提供商DeepSeekAlibaba
发布日期2026年10月17日2026年8月12日
上下文窗口(token)1,048,5761,000,000
对比时的配置DeepSeek V4.1 Flash 1017 (max)Qwen3.8 2.4T A95B
开放权重是是
每百万 token 价格(输入 / 输出 / 缓存输入)$0.300 / $1.20 / $0.0060$2.00 / $6.00 / $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)Qwen3.8 2.4T A95B领先者
推理55.746.4DeepSeek V4.1 Flash 1017
编程63.0–无法比较
智能体与工具57.647.8DeepSeek V4.1 Flash 1017
数学60.9–无法比较
知识47.749.0Qwen3.8 2.4T A95B
多模态63.0–无法比较
长上下文66.064.8DeepSeek 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推理智能体与工具知识长上下文DeepSeek V4.1 Flash 1017, 推理: 55.7DeepSeek V4.1 Flash 1017, 智能体与工具: 57.6DeepSeek V4.1 Flash 1017, 知识: 47.7DeepSeek V4.1 Flash 1017, 长上下文: 66.0Qwen3.8 2.4T A95B, 推理: 46.4Qwen3.8 2.4T A95B, 智能体与工具: 47.8Qwen3.8 2.4T A95B, 知识: 49.0Qwen3.8 2.4T A95B, 长上下文: 64.8

未绘制(测得的模型少于两个):编程, 数学, 指令遵循, 多模态, 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 21 项基准测试中,DeepSeek V4.1 Flash 1017 领先 18 项,Qwen3.8 2.4T A95B 领先 3 项。

综合 IndexDeepSeek V4.1 Flash 1017 (max)Qwen3.8 2.4T A95B领先者
BenchLeader Index57.751.4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DeepSeek V4.1 Flash 1017 (max)Qwen3.8 2.4T A95B
每百万 token 混合价格$0.525$3.00
每百万 token 输入 / 输出$0.300 / $1.20$2.00 / $6.00
每百万 token 缓存输入$0.0060$0.250
每项任务价格:聊天回复$0.0005$0.0026
每项任务价格:总结一份 30 页的报告$0.0043$0.028
每项任务价格:代码编辑$0.0036$0.021
每项任务价格:智能体编程会话$0.023$0.144
每项任务价格:结构化信息提取$0.0008$0.0052
智能体编程会话(输入大多命中缓存)$0.0096$0.065
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/s41 tok/s
首次回答时间39.7 秒107.3 秒
完整回答耗时(最近一次测量 2026年11月13日)91.2 秒248.5 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)。Qwen3.8 2.4T A95B 得分 51.4,首个回答 token 需 107 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 97 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)Qwen3.8 2.4T A95B
BenchLeader IndexBenchLeader57.751.4
智能体与工具得分BenchLeader57.647.8
编程得分BenchLeader63.0–
综合得分BenchLeader55.5–
知识得分BenchLeader47.749.0
长上下文得分BenchLeader66.064.8
数学得分BenchLeader60.9–
多模态得分BenchLeader63.0–
推理得分BenchLeader55.746.4
混合价格(美元/百万 token)BenchLeader$0.525$3.00
输出速度BenchLeader174 tok/s41 tok/s
首次回答时间BenchLeader39.7 秒107.3 秒
上下文窗口BenchLeader1,048,576 token1,000,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.2%–
LiveBench 2.0 ReasoningLiveBench89.1%–
GPQA Diamond (AA)Artificial Analysis–93.5%
Humanity's Last Exam (AA)Artificial Analysis43.3%42.5%
HLE-Diamond (AA)Artificial Analysis25.3%20.1%
ARC-AGI-1ARC Prize93.5%–
ARC-AGI-2ARC Prize78.1%–
ARC-AGI-3ARC Prize5.8%–
CritPtArtificial Analysis24.0%20.0%
CritPt v2 hard subset (AA)Artificial Analysis25.0%–
HLE-Diamond (Scale)Scale AI SEAL20.5%†–
Chess PuzzlesEpoch AI Benchmarking Hub46.0%–
Mystery Game PuzzlesEpoch AI Benchmarking Hub49.0%–
编程
SciCodeSciCode55.9%–
Arena WebDevArena (LMArena)1664–
LiveBench 2.0 CodingLiveBench80.4%–
SciCode (AA)Artificial Analysis55.9%54.0%
Code MigrationVals AI44.2%–
Code Migration v1.1Vals AI67.5%–
Vibe Code Bench v1.1Vals AI87.7%–
Vibe Code Bench 1-100 v1.1Vals AI26.1%–
CursorBenchCursor47.7%–
ALE-BenchEpoch AI Benchmarking Hub1622–
WeirdML v3WeirdML9.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis33.8%11.1%
显示全部 97 项基准测试
指标发布方DeepSeek V4.1 Flash 1017 (max)Qwen3.8 2.4T A95B
编程
Terminal-Bench 2.1 (AA)Artificial Analysis–82.0%
GameBench 2 OverallDuelLab GameBench 261.4†52.8
GameBench 2 by reasoning settingDuelLab GameBench 269.949.3†
Design Arena WebsiteDesign Arena1295†–
FrontierCode 1.1 (AA)Artificial Analysis43.7%–
FrontierCode 2.0 (AA)Artificial Analysis28.5%–
智能体与工具
Terminal-BenchTerminal-Bench38.5%–
APEX-AgentsMercor69.8%–
Arena AgentArena (LMArena)2–
LiveBench Long AgenticLiveBench38.8%–
LiveBench BrowserLiveBench67.2%–
MCP AtlasScale AI SEAL–84.5%†
GDPval-AA v2.1, normalised scoreArtificial Analysis62.3%55.4%
GDPval-AA v2.1Artificial Analysis17461614
τ³-Banking (AA)Artificial Analysis–49.1%
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%–
Legal Research BenchVals AI45.2%–
Tax Agent BenchVals AI44.4%–
Terminal-Bench 4.0 (Vals)Vals AI31.8%–
Arena Agent Task CompletionArena (LMArena)2.3–
AutomationBenchArtificial Analysis66.6%57.3%
GDP.pdf (AA)Artificial Analysis17.2%15.6%
EnterpriseOps-GymArtificial Analysis–47.4%
AA-Briefcase v1.1Artificial Analysis15701430
GDPxGDPx by SemiAnalysis5.4%–
Design Arena AgenticDesign Arena1282†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis12.9%–
CWE-Bench (AA)Artificial Analysis69.2%28.3%
DeepSec-Bench (AA)Artificial Analysis24.9%9.5%
CyberGym end-to-end (AA)Artificial Analysis76.3%0.0%
MKA (AA)Artificial Analysis38.5%–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub71.2%–
FrontierMath Tier 4Epoch AI Benchmarking Hub46.3%–
OTIS Mock AIMEEpoch AI Benchmarking Hub99.4%–
ArXivMathMathArena42.5%–
BrokenArXivMathArena48.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub42.5%–
LiveBench 2.0 Data AnalysisLiveBench79.5%–
LiveBench ResearchLiveBench78.6%–
AA-Omniscience v1.1Artificial Analysis0.97.8
PRBench FinanceScale AI SEAL47.1%†–
PRBench LegalScale AI SEAL47.3%†–
Excel Modeling BenchmarkVals AI61.8%–
Excel Modeling Benchmark v1.1Vals AI69.2%–
Access to Justice BenchmarkVals AI73.1%–
DrugDiscoveryBenchScale AI SEAL60.6%†–
AA-Omniscience v1.1: accuracyArtificial Analysis39.6%31.4%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis35.9%65.5%
指令遵循
MultiChallengeScale AI SEAL74.9%†–
人类偏好
EQ-Bench Creative Writing v3EQ-Bench–1844
多模态
LiveBench DesignLiveBench79.8%–
MMMU-ProArtificial Analysis80.6%–
Humanity's Sixth SenseScale AI SEAL30.1%–
VIALS-AAHandshake AI40.4%–
长上下文
AA-LCR v1.1Artificial Analysis82.7%80.3%
MLCRArtificial Analysis26.7%30.6%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.4†–
LiveBench 2.0LiveBench70.3%–
AA Intelligence Index v5.0.1Artificial Analysis32.6–
AA Intelligence Index v4.3.2Artificial Analysis45.140.0
AA Progress Index v1Artificial Analysis323.7317.8
Vals IndexVals AI61.3–
Vals Finance IndexVals AI60.9%–
Vals Router IndexVals AI61.3%†–
Vals Legal IndexVals AI71.9%–
AA Cyber IndexArtificial Analysis56.812.6
安全与诚实
FORTRESSScale AI SEAL27.2%†21.6%†
DistressBenchScale AI SEAL–77.5%
元数据
AA Openness IndexArtificial Analysis44.427.8

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。
  • 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。
  • Qwen3.8 2.4T A95B:BenchLeader Index 52.0 → 51.5。
  • 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。
  • Qwen3.8 2.4T A95B: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。

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 Qwen3.8 2.4T A95B:常见问题

DeepSeek V4.1 Flash 1017 比 Qwen3.8 2.4T A95B 更好吗?
DeepSeek V4.1 Flash 1017 (max) 与 Qwen3.8 2.4T A95B 的质量不相上下(57.7 比 51.4,在 ±14.7 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 Qwen3.8 2.4T A95B 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 $3.00(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。
DeepSeek V4.1 Flash 1017 和 Qwen3.8 2.4T A95B 哪个更快?
DeepSeek V4.1 Flash 1017 输出更快(3 倍以上;输出 174 比 41 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。
智能体和工具调用用 DeepSeek V4.1 Flash 1017 还是 Qwen3.8 2.4T A95B 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 48,50 为平均水平)。在两者共同的最主要智能体与工具基准测试 CWE-Bench (AA) 上,DeepSeek V4.1 Flash 1017 为 69.2%,Qwen3.8 2.4T A95B 为 28.3%。
更多问题(4)
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 65)。两者都约为 1M token(DeepSeek V4.1 Flash 1017 为 1,048,576,Qwen3.8 2.4T A95B 为 1,000,000)。
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 107.3 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 Qwen3.8 2.4T A95B 的看法一致吗?
在两者都有结果的 21 项基准测试中,DeepSeek V4.1 Flash 1017 领先 18 项,Qwen3.8 2.4T A95B 领先 3 项。
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。