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 1017 | Qwen3.8 2.4T A95B |
|---|---|---|
| 提供商 | DeepSeek | Alibaba |
| 发布日期 | 2026年10月17日 | 2026年8月12日 |
| 上下文窗口(token) | 1,048,576 | 1,000,000 |
| 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 | 55.7 | 46.4 | DeepSeek V4.1 Flash 1017 |
| 编程 | 63.0 | – | 无法比较 |
| 智能体与工具 | 57.6 | 47.8 | DeepSeek V4.1 Flash 1017 |
| 数学 | 60.9 | – | 无法比较 |
| 知识 | 47.7 | 49.0 | Qwen3.8 2.4T A95B |
| 多模态 | 63.0 | – | 无法比较 |
| 长上下文 | 66.0 | 64.8 | 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):编程, 数学, 指令遵循, 多模态, 人类偏好。
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 Index | DeepSeek V4.1 Flash 1017 (max) | Qwen3.8 2.4T A95B | 领先者 |
|---|---|---|---|
| BenchLeader Index | 57.7 | 51.4 | 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/s | 41 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 Index | BenchLeader | 57.7 | 51.4 |
| 智能体与工具得分 | BenchLeader | 57.6 | 47.8 |
| 编程得分 | BenchLeader | 63.0 | – |
| 综合得分 | BenchLeader | 55.5 | – |
| 知识得分 | BenchLeader | 47.7 | 49.0 |
| 长上下文得分 | BenchLeader | 66.0 | 64.8 |
| 数学得分 | BenchLeader | 60.9 | – |
| 多模态得分 | BenchLeader | 63.0 | – |
| 推理得分 | BenchLeader | 55.7 | 46.4 |
| 混合价格(美元/百万 token) | BenchLeader | $0.525 | $3.00 |
| 输出速度 | BenchLeader | 174 tok/s | 41 tok/s |
| 首次回答时间 | BenchLeader | 39.7 秒 | 107.3 秒 |
| 上下文窗口 | BenchLeader | 1,048,576 token | 1,000,000 token |
| 推理 | |||
| GPQA Diamond | Epoch AI Benchmarking Hub | 93.2% | – |
| LiveBench 2.0 Reasoning | LiveBench | 89.1% | – |
| GPQA Diamond (AA) | Artificial Analysis | – | 93.5% |
| Humanity's Last Exam (AA) | Artificial Analysis | 43.3% | 42.5% |
| HLE-Diamond (AA) | Artificial Analysis | 25.3% | 20.1% |
| ARC-AGI-1 | ARC Prize | 93.5% | – |
| ARC-AGI-2 | ARC Prize | 78.1% | – |
| ARC-AGI-3 | ARC Prize | 5.8% | – |
| CritPt | Artificial Analysis | 24.0% | 20.0% |
| CritPt v2 hard subset (AA) | Artificial Analysis | 25.0% | – |
| HLE-Diamond (Scale) | Scale AI SEAL | 20.5%† | – |
| Chess Puzzles | Epoch AI Benchmarking Hub | 46.0% | – |
| Mystery Game Puzzles | Epoch AI Benchmarking Hub | 49.0% | – |
| 编程 | |||
| SciCode | SciCode | 55.9% | – |
| Arena WebDev | Arena (LMArena) | 1664 | – |
| LiveBench 2.0 Coding | LiveBench | 80.4% | – |
| SciCode (AA) | Artificial Analysis | 55.9% | 54.0% |
| Code Migration | Vals AI | 44.2% | – |
| Code Migration v1.1 | Vals AI | 67.5% | – |
| Vibe Code Bench v1.1 | Vals AI | 87.7% | – |
| Vibe Code Bench 1-100 v1.1 | Vals AI | 26.1% | – |
| CursorBench | Cursor | 47.7% | – |
| ALE-Bench | Epoch AI Benchmarking Hub | 1622 | – |
| WeirdML v3 | WeirdML | 9.2%† | – |
| Terminal-Bench 4.0 (AA) | Artificial Analysis | 33.8% | 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 Overall | DuelLab GameBench 2 | 61.4† | 52.8 |
| GameBench 2 by reasoning setting | DuelLab GameBench 2 | 69.9 | 49.3† |
| Design Arena Website | Design Arena | 1295† | – |
| FrontierCode 1.1 (AA) | Artificial Analysis | 43.7% | – |
| FrontierCode 2.0 (AA) | Artificial Analysis | 28.5% | – |
| 智能体与工具 | |||
| Terminal-Bench | Terminal-Bench | 38.5% | – |
| APEX-Agents | Mercor | 69.8% | – |
| Arena Agent | Arena (LMArena) | 2 | – |
| LiveBench Long Agentic | LiveBench | 38.8% | – |
| LiveBench Browser | LiveBench | 67.2% | – |
| MCP Atlas | Scale AI SEAL | – | 84.5%† |
| GDPval-AA v2.1, normalised score | Artificial Analysis | 62.3% | 55.4% |
| GDPval-AA v2.1 | Artificial Analysis | 1746 | 1614 |
| τ³-Banking (AA) | Artificial Analysis | – | 49.1% |
| Finance Agent v2 | Vals AI | 57.0% | – |
| 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% | – |
| Legal Research Bench | Vals AI | 45.2% | – |
| Tax Agent Bench | Vals AI | 44.4% | – |
| Terminal-Bench 4.0 (Vals) | Vals AI | 31.8% | – |
| Arena Agent Task Completion | Arena (LMArena) | 2.3 | – |
| AutomationBench | Artificial Analysis | 66.6% | 57.3% |
| GDP.pdf (AA) | Artificial Analysis | 17.2% | 15.6% |
| EnterpriseOps-Gym | Artificial Analysis | – | 47.4% |
| AA-Briefcase v1.1 | Artificial Analysis | 1570 | 1430 |
| GDPx | GDPx by SemiAnalysis | 5.4% | – |
| Design Arena Agentic | Design Arena | 1282† | – |
| Terminal-Bench-Science 0.1 (AA) | Artificial Analysis | 12.9% | – |
| CWE-Bench (AA) | Artificial Analysis | 69.2% | 28.3% |
| DeepSec-Bench (AA) | Artificial Analysis | 24.9% | 9.5% |
| CyberGym end-to-end (AA) | Artificial Analysis | 76.3% | 0.0% |
| MKA (AA) | Artificial Analysis | 38.5% | – |
| 数学 | |||
| FrontierMath Tiers 1–3 | Epoch AI Benchmarking Hub | 71.2% | – |
| FrontierMath Tier 4 | Epoch AI Benchmarking Hub | 46.3% | – |
| OTIS Mock AIME | Epoch AI Benchmarking Hub | 99.4% | – |
| ArXivMath | MathArena | 42.5% | – |
| BrokenArXiv | MathArena | 48.7% | – |
| 知识 | |||
| SimpleQA Verified | Epoch AI Benchmarking Hub | 42.5% | – |
| LiveBench 2.0 Data Analysis | LiveBench | 79.5% | – |
| LiveBench Research | LiveBench | 78.6% | – |
| AA-Omniscience v1.1 | Artificial Analysis | 0.9 | 7.8 |
| PRBench Finance | Scale AI SEAL | 47.1%† | – |
| PRBench Legal | Scale AI SEAL | 47.3%† | – |
| Excel Modeling Benchmark | Vals AI | 61.8% | – |
| Excel Modeling Benchmark v1.1 | Vals AI | 69.2% | – |
| Access to Justice Benchmark | Vals AI | 73.1% | – |
| DrugDiscoveryBench | Scale AI SEAL | 60.6%† | – |
| AA-Omniscience v1.1: accuracy | Artificial Analysis | 39.6% | 31.4% |
| AA-Omniscience v1.1: non-hallucination | Artificial Analysis | 35.9% | 65.5% |
| 指令遵循 | |||
| MultiChallenge | Scale AI SEAL | 74.9%† | – |
| 人类偏好 | |||
| EQ-Bench Creative Writing v3 | EQ-Bench | – | 1844 |
| 多模态 | |||
| LiveBench Design | LiveBench | 79.8% | – |
| MMMU-Pro | Artificial Analysis | 80.6% | – |
| Humanity's Sixth Sense | Scale AI SEAL | 30.1% | – |
| VIALS-AA | Handshake AI | 40.4% | – |
| 长上下文 | |||
| AA-LCR v1.1 | Artificial Analysis | 82.7% | 80.3% |
| MLCR | Artificial Analysis | 26.7% | 30.6% |
| 综合 | |||
| Epoch Capabilities Index | Epoch AI Benchmarking Hub | 159.4† | – |
| LiveBench 2.0 | LiveBench | 70.3% | – |
| AA Intelligence Index v5.0.1 | Artificial Analysis | 32.6 | – |
| AA Intelligence Index v4.3.2 | Artificial Analysis | 45.1 | 40.0 |
| AA Progress Index v1 | Artificial Analysis | 323.7 | 317.8 |
| Vals Index | Vals AI | 61.3 | – |
| Vals Finance Index | Vals AI | 60.9% | – |
| Vals Router Index | Vals AI | 61.3%† | – |
| Vals Legal Index | Vals AI | 71.9% | – |
| AA Cyber Index | Artificial Analysis | 56.8 | 12.6 |
| 安全与诚实 | |||
| FORTRESS | Scale AI SEAL | 27.2%† | 21.6%† |
| DistressBench | Scale AI SEAL | – | 77.5% |
| 元数据 | |||
| AA Openness Index | Artificial Analysis | 44.4 | 27.8 |
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。
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
- Qwen3.8 2.4T A95B vs Gemini 4 Argon
- DeepSeek V4.1 Flash 1017 vs Qwen3.8 Max
- 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 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。