BenchLeader

DeepSeek V4.1 Flash 1017 vs Qwen3.8-Flash-Next

完整资料:DeepSeek V4.1 Flash 1017(DeepSeek)和 Qwen3.8-Flash-Next(Alibaba),包括全部基准测试、价格和排名。

更新于 · 数据来自 13 个来源

截至 2026年11月16日,DeepSeek V4.1 Flash 与 Qwen3.8-Flash-Next 的质量不相上下(BenchLeader Index 57.7 比 53.9,在 ±8.6 的误差范围内)。Qwen3.8-Flash-Next 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $0.230 比 $0.525)。看重推理(56 比 43)、知识(48 比 38)和编程(63 比 61)选 DeepSeek V4.1 Flash;看重智能体与工具(64 比 58)选 Qwen3.8-Flash-Next。DeepSeek V4.1 Flash 的首次回答更快(39.7 秒 比 65.5 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,Qwen3.8-Flash-Next 为 53.9(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-Flash-Next 每百万 token 混合价格为 $0.230(标价,2026年11月16日)。
  • DeepSeek V4.1 Flash 比 Qwen3.8-Flash-Next 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 24 项基准测试中,DeepSeek V4.1 Flash 领先 22 项(BenchLeader,2026年11月16日)。
  • 在 Arena WebDev 上,DeepSeek V4.1 Flash 1017 的评分为 1664,Qwen3.8-Flash-Next 为 1624(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 61;Arena WebDev 1664 比 1624中
智能体与工具调用Qwen3.8-Flash-Next类别得分 64 比 58;Arena Agent -4.6 比 2中
推理DeepSeek V4.1 Flash 1017类别得分 56 比 43;HLE-Diamond (AA) 25.3% 比 16.3%高
知识DeepSeek V4.1 Flash 1017类别得分 48 比 38;AA-Omniscience v1.1 0.9 比 -12.2高
长文档DeepSeek V4.1 Flash 1017类别得分 66 比 65;AA-LCR v1.1 82.7% 比 79.7%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 78.6%中
成本最低Qwen3.8-Flash-Next每百万 token 混合价格 $0.230 比 $0.525;智能体编程会话 $0.011 比 $0.023–
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 65.5 秒(Qwen3.8-Flash-Next)–
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-Flash-Next 的质量不相上下(57.7 比 53.9,在 ±8.6 的误差范围内)。
  • DeepSeek V4.1 Flash 1017 (max) 在编程、知识、长上下文、多模态、推理方面更强。
  • Qwen3.8-Flash-Next 在智能体与工具方面更强。
  • Qwen3.8-Flash-Next 更便宜,对方的价格是它的 2.3 倍(每百万 token 混合价格 $0.230 比 $0.525)。
  • DeepSeek V4.1 Flash 1017 (max) 的输出速度是对方的 2.2 倍(174 比 80 token/秒)。

概览

规格DeepSeek V4.1 Flash 1017Qwen3.8-Flash-Next
提供商DeepSeekAlibaba
发布日期2026年10月17日2026年8月26日
上下文窗口(token)1,048,576256,000
对比时的配置DeepSeek V4.1 Flash 1017 (max)Qwen3.8-Flash-Next
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$0.150 / $0.470 / –

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-Flash-Next领先者
推理55.743.0DeepSeek V4.1 Flash 1017
编程63.060.7DeepSeek V4.1 Flash 1017
智能体与工具57.664.0Qwen3.8-Flash-Next
数学60.9–无法比较
知识47.738.1DeepSeek V4.1 Flash 1017
多模态63.061.0DeepSeek V4.1 Flash 1017
长上下文66.064.5DeepSeek 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, 知识: 47.7DeepSeek V4.1 Flash 1017, 长上下文: 66.0DeepSeek V4.1 Flash 1017, 多模态: 63.0Qwen3.8-Flash-Next, 推理: 43.0Qwen3.8-Flash-Next, 编程: 60.7Qwen3.8-Flash-Next, 智能体与工具: 64.0Qwen3.8-Flash-Next, 知识: 38.1Qwen3.8-Flash-Next, 长上下文: 64.5Qwen3.8-Flash-Next, 多模态: 61.0

未绘制(测得的模型少于两个):数学, 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 24 项基准测试中,DeepSeek V4.1 Flash 1017 领先 22 项,Qwen3.8-Flash-Next 领先 2 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 IndexDeepSeek V4.1 Flash 1017 (max)Qwen3.8-Flash-Next领先者
BenchLeader Index57.753.9不相上下
AA Intelligence Index v5.0.132.628.6DeepSeek 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)Qwen3.8-Flash-Next
每百万 token 混合价格$0.525$0.230
每百万 token 输入 / 输出$0.300 / $1.20$0.150 / $0.470
每百万 token 缓存输入$0.0060–
每项任务价格:聊天回复$0.0005$0.0002
每项任务价格:总结一份 30 页的报告$0.0043$0.0021
每项任务价格:代码编辑$0.0036$0.0016
每项任务价格:智能体编程会话$0.023$0.011
每项任务价格:结构化信息提取$0.0008$0.0004
智能体编程会话(输入大多命中缓存)$0.0096–
每项基准测试任务成本(AA Index)$0.602$0.569
每项任务输出 token(AA Index)139k148k
其中推理部分91k97k
每项任务耗时(AA Index)13 min31 min
输出速度174 tok/s80 tok/s
首次回答时间39.7 秒65.5 秒
完整回答耗时(最近一次测量 2026年11月13日)91.2 秒202.8 秒

按 token 计价不等于按任务计价:在 Artificial Analysis 的 Intelligence Index 中,一项平均任务在 DeepSeek V4.1 Flash 1017 (max) 上花费 $0.602,在 Qwen3.8-Flash-Next 上花费 $0.569;完成同样的工作,Qwen3.8-Flash-Next 输出的 token 是对方的 1.1 倍。

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-Flash-Next 得分 53.9,首个回答 token 需 66 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 101 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-Flash-Next
BenchLeader IndexBenchLeader57.753.9
智能体与工具得分BenchLeader57.664.0
编程得分BenchLeader63.060.7
综合得分BenchLeader55.5–
知识得分BenchLeader47.738.1
长上下文得分BenchLeader66.064.5
数学得分BenchLeader60.9–
多模态得分BenchLeader63.061.0
推理得分BenchLeader55.743.0
混合价格(美元/百万 token)BenchLeader$0.525$0.230
输出速度BenchLeader174 tok/s80 tok/s
首次回答时间BenchLeader39.7 秒65.5 秒
上下文窗口BenchLeader1,048,576 token256,000 token
推理
GPQA DiamondEpoch AI Benchmarking Hub93.2%–
LiveBench 2.0 ReasoningLiveBench89.1%–
LiveBench 1.0 ReasoningLiveBench–87.4%
GPQA Diamond (AA)Artificial Analysis–92.3%
Humanity's Last Exam (AA)Artificial Analysis43.3%38.0%
HLE-Diamond (AA)Artificial Analysis25.3%16.3%
ARC-AGI-1ARC Prize93.5%–
ARC-AGI-2ARC Prize78.1%–
ARC-AGI-3ARC Prize5.8%–
CritPtArtificial Analysis24.0%11.1%
CritPt v2 hard subset (AA)Artificial Analysis25.0%24.5%
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)16641624
LiveBench 2.0 CodingLiveBench80.4%–
LiveBench 1.0 CodingLiveBench–72.5%
SciCode (AA)Artificial Analysis55.9%50.6%
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–
显示全部 101 项基准测试
指标发布方DeepSeek V4.1 Flash 1017 (max)Qwen3.8-Flash-Next
编程
WeirdML v3WeirdML9.2%†–
Terminal-Bench 4.0 (AA)Artificial Analysis33.8%25.3%
Terminal-Bench 2.1 (AA)Artificial Analysis–86.1%
GameBench 2 OverallDuelLab GameBench 261.4†–
GameBench 2 by reasoning settingDuelLab GameBench 269.9–
Design Arena WebsiteDesign Arena1295†–
FrontierCode 1.1 (AA)Artificial Analysis43.7%–
FrontierCode 2.0 (AA)Artificial Analysis28.5%27.1%
智能体与工具
Terminal-BenchTerminal-Bench38.5%–
APEX-AgentsMercor69.8%–
Arena AgentArena (LMArena)2-4.6
LiveBench Long AgenticLiveBench38.8%–
LiveBench BrowserLiveBench67.2%–
LiveBench Agentic CodingLiveBench–61.6%
GDPval-AA v2.1, normalised scoreArtificial Analysis62.3%56.4%
GDPval-AA v2.1Artificial Analysis17461637
τ³-Banking (AA)Artificial Analysis–45.4%
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)2.30.3
AutomationBenchArtificial Analysis66.6%55.9%
GDP.pdf (AA)Artificial Analysis17.2%15.6%
AA-Briefcase v1.1Artificial Analysis15701572
GDPxGDPx by SemiAnalysis5.4%–
Design Arena AgenticDesign Arena1282†–
Terminal-Bench-Science 0.1 (AA)Artificial Analysis12.9%7.1%
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%–
数学
FrontierMath Tiers 1–3Epoch AI Benchmarking Hub71.2%–
FrontierMath Tier 4Epoch AI Benchmarking Hub46.3%–
OTIS Mock AIMEEpoch AI Benchmarking Hub99.4%–
LiveBench MathematicsLiveBench–85.8%
ArXivMathMathArena42.5%–
BrokenArXivMathArena48.7%–
知识
SimpleQA VerifiedEpoch AI Benchmarking Hub42.5%–
LiveBench 2.0 Data AnalysisLiveBench79.5%–
LiveBench ResearchLiveBench78.6%–
LiveBench 1.0 Data AnalysisLiveBench–74.2%
AA-Omniscience v1.1Artificial Analysis0.9-12.2
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%23.5%
AA-Omniscience v1.1: non-hallucinationArtificial Analysis35.9%53.2%
指令遵循
LiveBench LanguageLiveBench–74.6%
LiveBench Instruction FollowingLiveBench–77.1%
MultiChallengeScale AI SEAL74.9%†–
多模态
LiveBench DesignLiveBench79.8%–
MMMU-ProArtificial Analysis80.6%78.6%
Humanity's Sixth SenseScale AI SEAL30.1%–
VIALS-AAHandshake AI40.4%–
长上下文
AA-LCR v1.1Artificial Analysis82.7%79.7%
MLCRArtificial Analysis26.7%20.6%
综合
Epoch Capabilities IndexEpoch AI Benchmarking Hub159.4†–
LiveBench 2.0LiveBench70.3%–
LiveBench 1.0LiveBench–76.2%
AA Intelligence Index v5.0.1Artificial Analysis32.628.6
AA Intelligence Index v4.3.2Artificial Analysis45.139.8
AA Progress Index v1Artificial Analysis323.7320.2
Vals IndexVals AI61.3–
Vals Finance IndexVals AI60.9%–
Vals Router IndexVals AI61.3%†–
Vals Legal IndexVals AI71.9%–
AA Cyber IndexArtificial Analysis56.8–
安全与诚实
FORTRESSScale AI SEAL27.2%†–
元数据
AA Openness IndexArtificial Analysis44.438.9

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-Flash-Next:BenchLeader Index 54.7 → 54.0。
  • Qwen3.8-Flash-Next:3 项新结果(AA Intelligence Index v5.0.1, FrontierCode 2.0 (AA), Terminal-Bench-Science 0.1 (AA))。
  • DeepSeek V4.1 Flash 1017 (max):1 项分数修订。
  • Qwen3.8-Flash-Next:1 项新结果(CritPt v2 hard subset (AA));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。

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-Flash-Next:常见问题

DeepSeek V4.1 Flash 1017 比 Qwen3.8-Flash-Next 更好吗?
DeepSeek V4.1 Flash 1017 (max) 与 Qwen3.8-Flash-Next 的质量不相上下(57.7 比 53.9,在 ±8.6 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-Flash-Next 哪个更便宜?价格会变吗?
目前 Qwen3.8-Flash-Next 更便宜:每百万 token $0.230 比 $0.525(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 Qwen3.8-Flash-Next 更好?
DeepSeek V4.1 Flash 1017 在编程方面得分更高(类别得分 63 比 61,50 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,Qwen3.8-Flash-Next 为 1624。
DeepSeek V4.1 Flash 1017 和 Qwen3.8-Flash-Next 哪个更快?
DeepSeek V4.1 Flash 1017 输出更快(约 2 倍;输出 174 比 80 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 Qwen3.8-Flash-Next 更好?
Qwen3.8-Flash-Next 在智能体任务方面得分更高(类别得分 64 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,Qwen3.8-Flash-Next 为 -4.6。
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)。DeepSeek V4.1 Flash 1017 支持更长的上下文:1,048,576 token,Qwen3.8-Flash-Next 为 256,000 token。
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 65.5 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-Flash-Next 的看法一致吗?
在两者都有结果的 24 项基准测试中,DeepSeek V4.1 Flash 1017 领先 22 项,Qwen3.8-Flash-Next 领先 2 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。