DeepSeek V4.1 Flash 1017
性价比更高: MiMo-V2.5 $0.138/M 即可获得 Index 56.3,价格只有四分之一。
有 3 个更便宜的已排名模型得分更高:GPT-5.6 Luna (58.2, $0.450)、Inkling 2 Small (57.9, $0.475)、GLM 5.3 Flash (57.8, $0.238)。
截至 2026年11月16日,DeepSeek V4.1 Flash 1017(DeepSeek)在 BenchLeader Index 上得分 57.7(共 608 个已排名配置)。表现最好的是长上下文(66),最弱的是知识(48)。API 价格为输入每百万 token $0.300、输出每百万 token $1.20(按 3:1 混合为 $0.525),为 2026年11月16日的标价。输出速度约为 170 token/秒(Artificial Analysis)。发布于 2026年10月17日。
要点(截至 2026年11月16日)
- DeepSeek V4.1 Flash 1017 的 API 价格为输入每百万 token $0.300、输出每百万 token $1.20(按 3:1 混合为 $0.525)(标价,2026年11月16日)。
- DeepSeek V4.1 Flash 1017 的输出速度约为 170 token/秒(Artificial Analysis,2026年11月16日)。
- DeepSeek V4.1 Flash 1017 于 2026年10月17日发布(DeepSeek)。
详细说明:DeepSeek V4.1 Flash 1017 是 DeepSeek 的开放权重推理模型,发布于 2026年10月17日。其最佳配置(推理强度 max)在 BenchLeader Index 上得分 57.7 ±3.5,在 608 个配置中排第 147 名,处于上半区。关键在于这个“±”:另有 236 个配置的得分落在这一区间内,仅凭质量无法区分,真正拉开差距的是价格和速度。分类别看,长上下文得分最高(66),知识最低(48)。按混合价格计,每百万 token $0.525,比大多数已排名模型便宜。输出速度为 174 token/秒,首次回答需 39.7 秒,位于最快的四分之一。它已在 7 种推理强度设置下测得结果;本摘要描述的是得分最高的设置,可用上方标签切换。最近一次测量:2026年11月11日。
- 混合价格
- $0.525/M
- 输入 $0.300 · 输出 $1.20
- 来源:Artificial Analysis
- 输出速度
- 174 tok/s
- 由 Artificial Analysis 测量
- 首次回答
- 40 s
- 首 token 0.76 s
- 上下文
- 1.0M
- 来源:models.dev
- 完整回答
- 91 s
- 最近一次测量 2026年11月13日
- 单任务成本
- $0.602
- 每项任务 13 min,AA Index
- 单任务 token 数
- 139k
- 其中 65% 为推理
- 发布日期
- 2026年10月17日
- 综合 Index58
- 推理56
- 编程63
- 智能体与工具58
- 数学61
- 知识48
- 多模态63
- 长上下文66
- 综合56
嵌入这个排名
更多徽章样式[](https://www.benchleader.com/models/deepseek-v4-1-flash-1017)粘贴到 README.md 顶部,放在其他徽章旁边。徽章会随每次数据更新重新生成,并链接回本页。
版本
DeepSeek 以这个名称发布过 2 个模型。每个版本都只按自身结果排名;较新的版本往往结果较少,在更多结果出炉之前,其 Index 会更接近平均水平。
| 模型 | 发布日期 | Index | 排名 |
|---|---|---|---|
| DeepSeek V4.1 Flash 1017max本页 | 2026年10月17日 | 57.7 | #147 |
| DeepSeek V4.1 Flashmax | 2026年9月10日 | 58.5 | #126 |
不同推理强度的配置
同一个模型允许思考的程度不同,表现也会不同。每一行是一种推理强度设置,只用在该设置下运行的基准测试打分。“未说明”汇总了发布方没有注明所用设置的结果;对推理模型而言这通常是其思考模式,但我们不做这一假定。在这里或页面顶部选择一个设置,即可查看其价格、速度和各类别得分。
| 推理强度 | Index | 排名 | 速度 | 首次回答 | 聊天回复成本 | 类别 |
|---|---|---|---|---|---|---|
| 无推理 | 44.9 | #464 | 153 tok/s | 1.28 s | $0.0005 | 编程 35 · 知识 46 · 长上下文 53 · 多模态 51 · 推理 31 |
| low | – | – | 113 tok/s | 0.76 s | $0.0005 | 推理 64 |
| medium | – | – | 113 tok/s | 0.76 s | $0.0005 | |
| high | 51.2 | #320 | 175 tok/s | 20 s | $0.0005 | 编程 46 · 知识 46 · 多模态 62 · 推理 53 |
| xhigh | – | – | 113 tok/s | 0.76 s | $0.0005 | |
| max最佳 | 57.7 | #147 | 174 tok/s | 40 s | $0.0005 | 智能体与工具 58 · 编程 63 · 综合 56 · 知识 48 · 长上下文 66 · 数学 61 · 多模态 63 · 推理 56 |
| 未说明 | – | – | 113 tok/s | 0.76 s | $0.0005 | 指令遵循 70 · 知识 54 |
Index 走势
2026年10月21日 至 2026年11月16日- max
- high
- 无推理
Index 每天从头重新计算,因此当有新的基准测试结果、发布方修订分数,或用于归一化的参照模型发生变化时,曲线都会移动。早期的波动通常说明分数仍在趋于稳定。
基准测试结果
查看全部大模型基准测试。每种推理强度一列。排名是在该基准测试上所有模型的所有配置中的位置。将鼠标悬停在分数上可查看对应的测试运行。
元数据
| 基准测试 | 无推理 | high | max | 来源 | 趋势 |
|---|---|---|---|---|---|
| AA Openness Index不计入 Index | 44.4#97 | 44.4#97 | 44.4#97 | Artificial Analysis |
推理
| 基准测试 | 无推理 | low | high | max | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|
| GPQA Diamond | – | – | – | 93.2%#24 | – | Epoch AI Benchmarking Hub | |
| LiveBench 2.0 Reasoning不计入 Index | – | – | – | 89.1%#15 | – | LiveBench | |
| Humanity's Last Exam (AA)不计入 Index | 11.5%#310 | – | – | 43.3%#69 | – | Artificial Analysis | |
| HLE-Diamond (AA) | 7.1%#133 | – | 20.8%#78 | 25.3%#61 | – | Artificial Analysis | |
| ARC-AGI-1 | 5.7%#251 | 91.5%#72 | 94.5%#46 | 93.5%#56 | – | ARC Prize | |
| ARC-AGI-2 | 2.1%#208 | 73.6%#60 | 68.6%#70 | 78.1%#50 | – | ARC Prize | |
| ARC-AGI-3 | – | – | – | 5.8%#37 | – | ARC Prize | |
| CritPt不计入 Index | 0.3%#291 | – | – | 24.0%#58 | – | Artificial Analysis | |
| CritPt v2 hard subset (AA) | 1.0%#128 | – | 27.5%#84 | 25.0%#90 | – | Artificial Analysis | |
| HLE-Diamond (Scale)不计入 Index推理强度未说明 | – | – | – | – | 20.5%#17 | Scale AI SEAL | |
| Chess Puzzles不计入 Index | – | – | – | 46.0%#28 | – | Epoch AI Benchmarking Hub | |
| Mystery Game Puzzles不计入 Index | – | – | – | 49.0%#17 | – | Epoch AI Benchmarking Hub |
编程
| 基准测试 | 无推理 | low | medium | high | max | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|---|
| SciCode | 38.5%#194 | – | – | – | 55.9%#51 | – | SciCode | |
| Arena WebDev | – | – | – | – | 1664#17 | – | Arena (LMArena) | |
| LiveBench 2.0 Coding不计入 Index | – | – | – | – | 80.4%#10 | – | LiveBench | |
| SciCode (AA)不计入 Index | 38.5%#204 | – | – | – | 55.9%#51 | – | Artificial Analysis | |
| Code Migration不计入 Index | – | – | – | – | 44.2%#25 | – | Vals AI | |
| Code Migration v1.1不计入 Index | – | – | – | – | 67.5%#8 | – | Vals AI | |
| Vibe Code Bench v1.1不计入 Index | – | – | – | – | 87.7%#14 | – | Vals AI | |
| Vibe Code Bench 1-100 v1.1不计入 Index | – | – | – | – | 26.1%#6 | – | Vals AI | |
| CursorBench不计入 Index | – | 44.9%#36 | 46.3%#29 | 45.6%#33 | 47.7%#26 | – | Cursor | |
| ALE-Bench不计入 Index | – | – | – | – | 1622#21 | – | Epoch AI Benchmarking Hub | |
| WeirdML v3不计入 Index | – | – | – | 9.2%#15 | – | – | WeirdML | |
| Terminal-Bench 4.0 (AA)不计入 Index | 9.1%#120 | – | – | 28.8%#70 | 33.8%#56 | – | Artificial Analysis | |
| GameBench 2 Overall不计入 Index跨设置 | – | – | – | – | – | 61.4#16 | DuelLab GameBench 2 | |
| GameBench 2 by reasoning setting不计入 Index | 49.9#95 | – | – | 64.3#52 | 69.9#39 | – | DuelLab GameBench 2 | |
| Design Arena Website不计入 Index推理强度未说明 | – | – | – | – | – | 1295#25 | Design Arena | |
| FrontierCode 1.1 (AA)不计入 Index | – | – | – | – | 43.7%#25 | – | Artificial Analysis | |
| FrontierCode 2.0 (AA) | 6.1%#106 | – | – | 16.8%#78 | 28.5%#42 | – | Artificial Analysis |
智能体与工具
数学
| 基准测试 | max | 来源 | 趋势 |
|---|---|---|---|
| FrontierMath Tiers 1–3 | 71.2%#31 | Epoch AI Benchmarking Hub | |
| FrontierMath Tier 4 | 46.3%#31 | Epoch AI Benchmarking Hub | |
| OTIS Mock AIME | 99.4%#19 | Epoch AI Benchmarking Hub | |
| ArXivMath不计入 Index | 42.5%#6 | MathArena | |
| BrokenArXiv不计入 Index | 48.7%#6 | MathArena |
知识
| 基准测试 | 无推理 | high | xhigh | max | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|---|
| SimpleQA Verified | – | – | – | 42.5%#48 | – | Epoch AI Benchmarking Hub | |
| LiveBench 2.0 Data Analysis不计入 Index | – | – | – | 79.5%#12 | – | LiveBench | |
| LiveBench Research不计入 Index | – | – | – | 78.6%#23 | – | LiveBench | |
| AA-Omniscience v1.1 | 2.1#79 | 1.5#81 | – | 0.9#83 | – | Artificial Analysis | |
| PRBench Finance推理强度未说明 | – | – | – | – | 47.1%#18 | Scale AI SEAL | |
| PRBench Legal推理强度未说明 | – | – | – | – | 47.3%#24 | Scale AI SEAL | |
| Excel Modeling Benchmark不计入 Index | – | – | – | 61.8%#33 | – | Vals AI | |
| Excel Modeling Benchmark v1.1不计入 Index | – | – | – | 69.2%#22 | – | Vals AI | |
| Access to Justice Benchmark不计入 Index | – | – | – | 73.1%#8 | – | Vals AI | |
| DrugDiscoveryBench不计入 Index | – | – | 60.6%#6 | – | – | Scale AI SEAL | |
| AA-Omniscience v1.1: accuracy不计入 Index | 21.9%#114 | 38.9%#74 | – | 39.6%#70 | – | Artificial Analysis | |
| AA-Omniscience v1.1: non-hallucination不计入 Index | 74.7%#26 | 38.8%#94 | – | 35.9%#99 | – | Artificial Analysis |
指令遵循
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| MultiChallenge | 74.9%#5 | Scale AI SEAL |
多模态
| 基准测试 | 无推理 | high | max | 来源 | 趋势 |
|---|---|---|---|---|---|
| LiveBench Design不计入 Index | – | – | 79.8%#7 | LiveBench | |
| MMMU-Pro | 69.2%#169 | 79.7%#66 | 80.6%#54 | Artificial Analysis | |
| Humanity's Sixth Sense不计入 Index | – | – | 30.1%#21 | Scale AI SEAL | |
| VIALS-AA不计入 Index | – | – | 40.4%#15 | Handshake AI |
长上下文
| 基准测试 | 无推理 | max | 来源 | 趋势 |
|---|---|---|---|---|
| AA-LCR v1.1 | 57.3%#312 | 82.7%#40 | Artificial Analysis | |
| MLCR不计入 Index | – | 26.7%#27 | Artificial Analysis |
综合
| 基准测试 | 无推理 | high | max | 默认 | 来源 | 趋势 |
|---|---|---|---|---|---|---|
| Epoch Capabilities Index不计入 Index推理强度未说明 | – | – | – | 159.4#22 | Epoch AI Benchmarking Hub | |
| LiveBench 2.0 | – | – | 70.3%#12 | – | LiveBench | |
| AA Intelligence Index v5.0.1不计入 Index | 18.5#97 | 28.6#71 | 32.6#56 | – | Artificial Analysis | |
| AA Intelligence Index v4.3.2不计入 Index | – | – | 45.1#39 | – | Artificial Analysis | |
| AA Progress Index v1不计入 Index | 277.6#186 | 319.3#65 | 323.7#48 | – | Artificial Analysis | |
| Vals Index不计入 Index | – | – | 61.3#12 | – | Vals AI | |
| Vals Finance Index不计入 Index | – | – | 60.9%#13 | – | Vals AI | |
| Vals Router Index不计入 Index推理强度未说明 | – | – | – | 61.3%#8 | Vals AI | |
| Vals Legal Index不计入 Index | – | – | 71.9%#13 | – | Vals AI | |
| AA Cyber Index不计入 Index | – | – | 56.8#4 | – | Artificial Analysis |
安全与诚实
| 基准测试 | 默认 | 来源 | 趋势 |
|---|---|---|---|
| FORTRESS不计入 Index | 27.2%#52 | Scale AI SEAL |
GameBench 2 Overall: 61.4. GameBench 2, best reasoning setting (Max): 69.9. 仅供参考,不计入 BenchLeader Index。
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.
优势所在
在所有已测配置中,这个配置排名前五的基准测试。
API 价格:在哪里调用
通过 OpenRouter 提供这个模型的所有提供商:吞吐量和首 token 延迟基于过去 30 分钟的实时流量测得,价格为各提供商自己的报价。紫色标出每列的最佳值。
| 提供商 | 速度 | 首 token | 输入 $/M | 输出 $/M | 上下文 | 量化 |
|---|---|---|---|---|---|---|
| Baseten | 473 tok/s | 0.32 s | $0.600 | $2.40 | 1.0M | – |
| Mistral | 195 tok/s | 1.05 s | $0.300 | $1.20 | 1.0M | fp8 |
| Together | 186 tok/s | 0.60 s | $0.300 | $1.20 | 1.0M | – |
| Crusoe | 180 tok/s | 0.64 s | $0.290 | $1.20 | 1.0M | fp8 |
| Fireworks | 173 tok/s | 0.41 s | $0.450 | $1.80 | 1.0M | – |
| Ionstream | 172 tok/s | 0.62 s | $0.210 | $0.620 | 1.0M | – |
| Wafer | 170 tok/s | 0.39 s | $0.066 | $0.500 | 1.0M | mxfp4 |
| DigitalOcean | 169 tok/s | 0.89 s | $0.180 | $0.720 | 1.0M | – |
| Wafer | 167 tok/s | 0.30 s | $0.036 | $0.500 | 1.0M | mxfp4 |
| Ionstream | 164 tok/s | 0.82 s | $0.077 | $0.233 | 1.0M | – |
| Open Inference | 163 tok/s | 0.57 s | $0.070 | $1.10 | 1.0M | fp4 |
| GMICloud | 163 tok/s | 0.80 s | $0.180 | $0.720 | 1.0M | fp8 |
| Modal | 146 tok/s | 0.72 s | $0.250 | $1.00 | 1.0M | – |
| PrimaLabs | 143 tok/s | 0.79 s | $0.240 | $0.960 | 1.0M | – |
| Parasail | 139 tok/s | 0.35 s | $0.300 | $1.20 | 1.0M | fp8 |
| Venice | 135 tok/s | 1.46 s | $0.300 | $1.20 | 1M | fp8 |
| Relace | 134 tok/s | 0.59 s | $0.120 | $0.500 | 1.0M | fp4 |
| Baseten | 134 tok/s | 0.64 s | $0.300 | $1.20 | 1.0M | – |
| Cohere | 132 tok/s | 1.00 s | $0.150 | $0.500 | 1.0M | fp8 |
| Fireworks | 129 tok/s | 1.09 s | $0.300 | $1.20 | 1.0M | – |
| CoreWeave | 125 tok/s | 0.51 s | $0.300 | $1.20 | 1.0M | fp8 |
| Alibaba Cloud Int. | 121 tok/s | 0.82 s | $0.210 | $0.840 | 1M | – |
| Sail Research | 118 tok/s | 1.38 s | $0.050 | $0.100 | 1.0M | fp4 |
| Reka AI | 115 tok/s | 1.10 s | $0.160 | $1.10 | 1.0M | – |
| Morph | 114 tok/s | 0.70 s | $0.078 | $0.694 | 1.0M | fp8 |
| DekaLLM | 113 tok/s | 0.97 s | $0.180 | $0.680 | 1.0M | – |
| DeepSeek | 113 tok/s | 1.26 s | $0.300 | $1.20 | 1.0M | – |
| inference.net | 111 tok/s | 0.25 s | $0.080 | $0.605 | 1.0M | fp8 |
| DeepInfra | 109 tok/s | 0.97 s | $0.147 | $0.441 | 1.0M | fp8 |
| StepFun | 106 tok/s | 2.23 s | $0.105 | $0.420 | 1M | fp8 |
| River | 104 tok/s | 1.07 s | $0.086 | $0.346 | 1.0M | – |
| Prime Intellect | 104 tok/s | 1.05 s | $0.044 | $0.700 | 1.0M | – |
| DeepInfra | 101 tok/s | 0.89 s | $0.098 | $0.294 | 1.0M | fp8 |
| Makora | 101 tok/s | 0.93 s | $0.150 | $1.20 | 1.0M | fp8 |
| inference.net | 97 tok/s | 0.50 s | $0.080 | $0.605 | 1.0M | fp8 |
| Nebius Token Factory | 91 tok/s | 1.67 s | $0.300 | $1.20 | 1.0M | fp8 |
| Fireworks Spot | 90 tok/s | 2.61 s | $0.210 | $0.840 | 1.0M | – |
| Sail Research | 88 tok/s | 3.03 s | $0.070 | $0.100 | 1.0M | fp4 |
| Particle AI | 82 tok/s | 0.64 s | $0.030 | $0.250 | 1.0M | – |
| Cloudflare | 81 tok/s | 2.26 s | $0.100 | $0.600 | 1.0M | – |
| Particle AI | 78 tok/s | 0.79 s | $0.060 | $0.500 | 1.0M | – |
| Baidu Qianfan | 76 tok/s | 1.74 s | $0.280 | $1.13 | 1.0M | fp8 |
| SiliconFlow | 74 tok/s | 0.69 s | $0.300 | $0.550 | 1.0M | fp8 |
| AtlasCloud | 70 tok/s | 2.97 s | $0.195 | $0.780 | 1.0M | fp8 |
| StreamLake | 49 tok/s | 1.79 s | $0.111 | $0.444 | 1.0M | fp8 |
| NovitaAI | 44 tok/s | 2.67 s | $0.165 | $0.660 | 1.0M | fp8 |
| NEAR AI | 39 tok/s | 1.58 s | $0.300 | $1.20 | 1.0M | – |
| DeepInfra | 34 tok/s | 8.94 s | $0.078 | $0.235 | 1.0M | fp8 |
使用情况
DeepSeek V4.1 Flash 1017 的实际使用量,依据公开这类数据的网关报告。使用情况不计入 Index。使用最多的模型和提供商
过去 30 天的典型请求:每次请求 62.0k token、每个输出 token 对应 72 个输入 token、94% 的输入来自缓存、66% 的输出为推理内容、每次请求 0.52 次工具调用。
在 OpenRouter 上向它发送 token 最多的应用:Hermes Agent (11.7T)、Claude Code (8.71T)、pi (7.34T)、Strix (6.39T)、DeepSeek Harness (5.22T)。
| Vercel AI Gateway 上的提供商 | 吞吐量 | 首 token | 在线率,1 天 |
|---|---|---|---|
| Together AI | 314 tok/s | 0.60 s | 99.97% |
| Boundless | 300 tok/s | 0.98 s | 99.76% |
| Parasail | 286 tok/s | 0.71 s | 99.75% |
| Runware | 259 tok/s | 0.72 s | 98.22% |
| Fireworks | 257 tok/s | 2.07 s | 100.00% |
| Alibaba Cloud | 213 tok/s | 3.84 s | 100.00% |
来源: 使用情况: OpenRouter 排名 · Vercel AI Gateway, CC BY 4.0 · 数据截至 2026年11月16日。
一项任务的成本
根据最佳配置的标价、输出速度和首次回答时间估算。“使用缓存”假定四分之三的输入来自提示缓存,价格为每百万 token $0.006。未计入推理 token。
| 工作负载 | 输入 / 输出 token | 成本 | 使用缓存 | 耗时 |
|---|---|---|---|---|
| 聊天回复 | 400 / 300 | $0.0005 | $0.0004 | 41.5 s |
| 总结一份 30 页的报告 | 12,000 / 600 | $0.0043 | $0.0017 | 43.2 s |
| 代码编辑 | 6,000 / 1,500 | $0.0036 | $0.0023 | 48.3 s |
| 智能体编程会话 | 60,000 / 4,000 | $0.023 | $0.0096 | 1.0 min |
| 结构化信息提取 | 2,000 / 200 | $0.0008 | $0.0004 | 40.9 s |
DeepSeek 的更多模型
将 DeepSeek V4.1 Flash 1017 与以下模型对比
- DeepSeek V4.1 Flash 1017 vs Muse Spark 1.3
- DeepSeek V4.1 Flash 1017 vs GLM 5.3 Flash
- DeepSeek V4.1 Flash 1017 vs Qwen3.6 Plus
- DeepSeek V4.1 Flash 1017 vs GPT-6.1 Sol
- DeepSeek V4.1 Flash 1017 vs Qwen3.8 Max
- DeepSeek V4.1 Flash 1017 vs DeepSeek V4 Flash
- DeepSeek V4.1 Flash 1017 vs Grok 4.7
- DeepSeek V4.1 Flash 1017 vs Gemini 3.8 Flash
- DeepSeek V4.1 Flash 1017 vs Step 5 Preview
- DeepSeek V4.1 Flash 1017 vs Claude Fable 5.1
- DeepSeek V4.1 Flash 1017 vs GLM 5.2
- DeepSeek V4.1 Flash 1017 vs Gemini 4 Carbon
- DeepSeek V4.1 Flash 1017 vs GPT-5.6 Terra
- DeepSeek V4.1 Flash 1017 vs GLM 5.3
- DeepSeek V4.1 Flash 1017 vs Claude Sonnet 5.5
- DeepSeek V4.1 Flash 1017 vs Muse Wonder
- DeepSeek V4.1 Flash 1017 vs Gemini 4 Argon
- DeepSeek V4.1 Flash 1017 vs Muse Spark
- DeepSeek V4.1 Flash 1017 vs DeepSeek V4 Pro
- DeepSeek V4.1 Flash 1017 vs GPT-5.4
- DeepSeek V4.1 Flash 1017 vs Claude Fable 5.2
- DeepSeek V4.1 Flash 1017 vs GPT-5.6 Sol
- DeepSeek V4.1 Flash 1017 vs Muse Spark 1.1
- DeepSeek V4.1 Flash 1017 vs Claude Opus 5.5
- DeepSeek V4.1 Flash 1017 vs Gemini 3 Pro
- DeepSeek V4.1 Flash 1017 vs Claude Opus 4.7
- DeepSeek V4.1 Flash 1017 vs Grok 4.6
- DeepSeek V4.1 Flash 1017 vs Kimi K3
- DeepSeek V4.1 Flash 1017 vs Qwen3.8-Flash-Next
- DeepSeek V4.1 Flash 1017 vs Claude Opus 4.6
- DeepSeek V4.1 Flash 1017 vs Gemini 3.7 Flash
- DeepSeek V4.1 Flash 1017 vs GPT-5.3-Codex
- DeepSeek V4.1 Flash 1017 vs GPT-5.5
- DeepSeek V4.1 Flash 1017 vs Claude Opus 5
- DeepSeek V4.1 Flash 1017 vs Inkling 2 Small
- DeepSeek V4.1 Flash 1017 vs Claude Sonnet 5
- DeepSeek V4.1 Flash 1017 vs GPT-5.2
- DeepSeek V4.1 Flash 1017 vs Muse Wonder Full
- DeepSeek V4.1 Flash 1017 vs MiMo-V2.6-Pro
- DeepSeek V4.1 Flash 1017 vs Claude Opus 4.8
- DeepSeek V4.1 Flash 1017 vs Muse Spark 1.2
- DeepSeek V4.1 Flash 1017 vs Qwen3.6 Max
- DeepSeek V4.1 Flash 1017 vs GPT-6 Astra
- DeepSeek V4.1 Flash 1017 vs Gemini 3.6 Flash
- DeepSeek V4.1 Flash 1017 vs Claude Fable 5
- DeepSeek V4.1 Flash 1017 vs GPT-5.5 Pro
- DeepSeek V4.1 Flash 1017 vs Gemini 3.1 Pro
- DeepSeek V4.1 Flash 1017 vs GPT-6 Sol
- DeepSeek V4.1 Flash 1017 vs GPT-5.4 Pro
- DeepSeek V4.1 Flash 1017 vs Qwen3.8 2.4T A95B
- DeepSeek V4.1 Flash 1017 vs GPT-6.1 Terra
另请参阅
嵌入或引用
在模型卡片或 README 中展示 DeepSeek V4.1 Flash 1017 的排名。徽章会随每日更新重新生成,带有数据日期,并链接回本页。
[](https://www.benchleader.com/models/deepseek-v4-1-flash-1017)引用本页
排名每天都会变化,因此引用时需注明数据日期。APA 格式:
BenchLeader. (2026, November 16). DeepSeek V4.1 Flash 1017 on the BenchLeader Index (method v1.4) [Data set]. Retrieved November 16, 2026, from https://www.benchleader.com/models/deepseek-v4-1-flash-1017
BibTeX:
@misc{benchleader_deepseek_v4_1_flash_1017_20261116,
author = {{BenchLeader}},
title = {{DeepSeek V4.1 Flash 1017 on the BenchLeader Index (method v1.4)}},
year = {2026},
month = nov,
howpublished = {\url{https://www.benchleader.com/models/deepseek-v4-1-flash-1017}},
note = {Data as of 2026-11-16}
}常见问题
- DeepSeek V4.1 Flash 1017 的基准测试得分是多少?
- 截至 2026年11月16日,DeepSeek V4.1 Flash 1017(推理强度 max)的 BenchLeader Index 为 57.7 ±3.5。最强的是长上下文(66),最弱的是知识(48)。该得分只基于第三方基准测试结果,本页每个分数都链接到其发布方。
- DeepSeek V4.1 Flash 1017 排名第几?
- 截至 2026年11月16日,DeepSeek V4.1 Flash 1017(推理强度 max)在 608 个已排名配置中排第 147 名。另有 236 个配置的得分在其误差范围内,因此名次区间比确切名次更有意义。第一名是 Claude Fable 5.2(推理强度 max),得分 72.7。
- DeepSeek V4.1 Flash 1017 每百万 token 的价格是多少?
- 截至 2026年11月16日,DeepSeek V4.1 Flash 1017 的价格为输入每百万 token $0.300、输出每百万 token $1.20,混合价格(每 1 个输出 token 对应 3 个输入 token)为 $0.525。
- DeepSeek V4.1 Flash 1017 比 Muse Spark 1.3 更好吗?
- 截至 2026年11月16日,DeepSeek V4.1 Flash 1017(推理强度 max)与 Muse Spark 1.3 的质量不相上下(BenchLeader Index 57.7 比 61.6,在 ±8.9 的误差范围内),可根据价格、速度和你看重的类别来选择。逐项基准测试的详细对比见对比页面。
- DeepSeek V4.1 Flash 1017 是什么时候发布的?
- DeepSeek 于 2026年10月17日发布了 DeepSeek V4.1 Flash 1017。BenchLeader 收录了它在 7 种推理强度设置下的结果。
数据截至 2026年11月16日。 对比这些配置
引用格式:BenchLeader,《DeepSeek V4.1 Flash 1017:基准测试、价格、速度与排名》,数据截至 2026年11月16日,https://www.benchleader.com/zh/models/deepseek-v4-1-flash-1017。