依旧震惊瘫坐.jpg喵

DeepSeek又把更新的重心放到了开发者每天都在碰的问题上：代码能不能写对，Agent能不能少绕几圈，以及完成一个任务到底要花多少钱。

10 月 17 日，DeepSeek 发布了 DeepseekV4.1-Flash-1017，官方网页端、App 和 API 已上线，Hugging Face与魔搭也提供了模型权重。作为平时关注 API 成本和自动化开发的人，这次更新最吸引我的，还是它那个很直接的方向：少说废话，专心干活。[1]

1. 更值得关注的，是做完一件事的总成本

用模型挂在 IDE 或 Agent 里写代码，最怕的就是它反复读同一批文件、来回修改同一段逻辑，最后再写一大段总结，测试却还是红的。

1017 的官方定位，就是在提升能力的同时缩短任务执行时间和输出长度。DeepSWE v1.1 的官方对比成绩由 74.2 提升到 77.0，提高了 2.8 个百分点。公告中的成本曲线使用 mini-swe-v2 框架，比较的是任务通过率与每任务成本之间的关系。[2]

这里的“任务”，可能包含多轮模型调用、读文件、执行命令和修改代码，并不是发一次聊天请求。因此，不能把某个评测配置里的降本幅度，直接套成所有人的账单都能打五折。

我更愿意用下面这个指标判断升级是否划算：

每个成功任务的实际成本 = 同一批任务的全部运行费用 ÷ 最终通过验收的任务数。

失败尝试和重试也要计入。假设 100 次任务花了 20 元，其中 80 次通过，成功任务的平均成本就是 0.25 元。这只是计算示例，但它比盯着一次请求几分钱，更接近 Agent 的真实使用体验。

同样，输出变短也不自动等于模型推理更强。我们还要看它是否省掉了必要验证，是否增加了遗漏。真正有价值的，是在相同验收标准下，成功率提高，费用和等待时间下降。

2. 自反馈强化学习，为什么会影响“整项目生成”？

官方提到，1017 使用了带自反馈的强化学习，强化从零构建完整项目的能力，并展示了游戏与 3D 场景等案例。公告没有展开完整的奖励设计和训练实现，因此不宜把它讲成某套已经公开验证的内部流程。[1]

从工程角度理解，端到端开发难就难在：每个文件单独看都像那么回事，组合起来却不一定能跑。

前端组件的导出方式、接口字段、依赖版本、资源路径和启动脚本，只要有一处对不上，项目就可能卡住。一个更有用的代码 Agent，需要在这些局部决策之间保持一致，并根据执行结果修正方案。

这也是我对 Vibe Coding 最感兴趣的部分。以前更多是在让 AI 补函数，现在逐渐可以把需求、约束和验收标准交给它，让它组织一轮完整交付。

但“项目能启动”只是第一步。拿 Three.js 小游戏来说，画面出现之后，还要检查碰撞是否穿透、帧率波动会不会改变移动速度、窗口缩放是否破坏布局，以及重复开始游戏会不会叠加事件监听或泄漏图形资源。

模型越擅长搭工程，验收标准就越要具体。与其只说“帮我做个赛车游戏”，我会补上一句：先完成可运行的最小版本，提供启动命令，验证计分、重开和窗口缩放，并列出仍未验证的功能。这样拿到的结果更容易继续开发。

3. 非对称计算：为什么特别适合长输入的 Agent？

1017 背后的效率基础，要回到 V4.1-Flash 的架构。官方模型卡给出的口径是：主干参数约 552B，采用 Causal Encoder-Decoder（CED），由 20 层因果编码器和 20 层解码器组成；Prefill 阶段每 Token 约激活 8B 参数，Decode 阶段约激活 16B 参数。[3]只能说这个处理非常牛逼

Prefill 可以理解为处理当前输入，Decode 则是逐个生成新 Token。代码 Agent 经常要读取源码、工具日志和历史消息，最后只输出一个补丁。这种输入很重的工作负载，正好会放大输入处理效率的重要性，就比如我的那个bot agent。

这里有个比“非对称 MoE”更具体的细节：CED 的解码器全局 KV 来自最终编码器隐状态的投影，而不是每层解码器各自生成一套历史缓存。配合跨层复用等设计，它为降低长上下文开销提供了结构基础。[3]

不过，激活参数少，不代表只需要加载这些参数的权重。MoE 降低的是每个 Token 参与计算的参数规模，完整部署还要考虑权重存储、专家调度、通信和运行时开销。看到“激活 16B”，不能据此判断它能像普通 16B 模型一样放进消费级显卡，除非你愿意卸载进内存甚至swap里并且放弃tps转投mpt(minutes per token)

4. KV Cache 压到四分之一，到底省的是什么？

原稿里的“显存只有上一代四分之一”，需要收紧。官方说的是：相较 DeepSeek-V4-Flash，V4.1-Flash 的全局 KV Cache 占用约降到四分之一，达到每 Token 890 字节。它结合了 CSA2 的跨层 KV 复用与 FP4 主 KV 缓存。[3]

按这个口径简单计算，100 万 Token 对应约 0.89GB 的全局 KV 数据。这只是该项缓存的估算，不是整个模型的显存需求；模型权重、其他缓存、激活和运行时缓冲都还没有算进去。

对开发者来说，它的意义是长历史的存储和搬运压力更小，服务端更有机会降低成本、提高并发。至于你实际能得到多少收益，还取决于部署实现、缓存命中和业务请求形态，不能只用一个压缩倍数推算。

5. API 用户还能从哪里省钱？

截至 2026 年 10 月 18 日，官方价格页将 deepseek-flash 对应版本列为 V4.1-Flash-1017。官方接口用户可继续使用这个模型名；第三方中转是否同步，需要另行确认。[4]

当前价格按缓存命中与峰谷时段区分，单位均为人民币／百万 Token：

高峰为周一至周五北京时间 09:00—12:00、14:00—18:00，中国法定节假日除外；其余时间按非高峰价格计费，周末与中国法定节假日全天属于非高峰。价格会调整，调用前以官方页面为准。[4]

这也说明，账单下降可能同时来自模型减少输出、任务减少重试、缓存命中增加，以及请求落在更便宜的时段。做新旧版本对比时，要把这些因素尽量固定，否则很容易把时段优惠算成模型能力提升。

我的使用建议很直接：固定可复用的项目说明，避免每轮无意义地改写共同前缀；只提供与任务相关的源码和日志；给自动修复设置轮数、时间与费用上限。对于输出长度，也应根据任务复杂度控制，避免为了省 Token 把补丁截断，反而增加重试。

6. 升级之后，我会怎么判断它值不值得用？

试就完了，ds至少不是跑分大王，某些国模跑分可以实测成区的比比皆是。

记录的重点只有四项：验收通过率、总耗时、全部 Token 与工具费用、人工接手修改的时间。特别是最后一项，模型省下几毛钱，却让我多排查半小时，就不算真正便宜。

如果使用 DeepSeek Harness，官方建议升级到 v0.2.1-rc.1 或更新版本。自行部署则需要同步检查推理框架与提示编码的兼容性；官方权重采用 MIT 许可，使用和分发时仍应保留相应版权与许可声明。[1] [2]

写在最后

这次更新让我更关注的，是 AI 编程的评价标准正在变得务实：同样一个任务，能不能少折腾一点、快交付一点，并且更容易验证。

代码生成越来越便宜之后，开发者仍然需要决定需求是否合理、边界如何划分，以及什么结果才算完成。模型负责把实现往前推，人负责把验收标准立住，路才能越走越宽，你家的token，用着不烧心。

看到这里了，那就说明你看到这里了，咕咕嘎嘎。

参考资料

1. DeepSeek 官方：V4.1-Flash-1017 更新公告
2. DeepSeek-V4.1-Flash-1017 官方模型卡
3. DeepSeek-V4.1-Flash 官方架构说明
4. DeepSeek API 模型与价格
5. 魔搭模型下载入口

Agent AI编程 DeepSeek Vibe Coding 开源模型