同一份成績單，模型卡寫 90.6%，獨立評測量到 74.5%。這個差距比排名更值得看。
DeepSeek V4.1 Flash 是什麼：552B 主幹與 196B Engram
DeepSeek-V4.1-Flash-1017 是開源的推理模型，上下文視窗 1,048,576 個詞元，1017 是目前的 Flash 版本，先前的 V4 Flash 已被取代。架構是 552B 主幹加上 196B 的 Engram 參數集，Engram 用最多四個詞元的 n-gram 查表，好處是表不必全留在 GPU 記憶體，另外還有 DSpark 做投機解碼。
Terminal-Bench 2.1 的兩個數字：90.6% 與 74.5%
Terminal-Bench 測命令列上的多步驟操作：讀檔案、改設定、跑測試、看結果再修，接近 coding agent 的日常。BenchLM 引用模型卡，說它在 Terminal-Bench 2.1 拿到 90.6%；Vals AI 的獨立排行榜對同一個模型量到 74.5%。
差超過 16 個百分點，可能來自測試框架、提示格式或重試次數不同，但 90.6% 是自報數字。
DeepSeek benchmarks 的其他項目
模型卡上的其餘成績全部自報，沒有第三方複驗。
- Terminal-Bench 4.0：42.30%，DeepSWE：77.0%
- NL2Repo：68.2%，AutomationBench：60.5%
- Agents' Last Exam：35.4%，CyberGym：88.1%
- GPQA-Diamond：90.9%，HLE：42.6%
- Codeforces：3471，FrontierMath v2 Tier 4：26.8%
兩組數字放在一起看：Terminal-Bench 4.0 的 42.30% 對上 2.1 的 90.6%，說明版本難度差很多；Agents' Last Exam 的 35.4% 則說明長尾任務仍然吃力。
65.41 分與第 31 名：BenchLM 怎麼看 DeepSeek V4.1 Flash
BenchLM 給的總分 65.41，在 1,016 個模型裡排第 31，名次要配合覆蓋率讀：它只納入 759 個 benchmark 中的 53 個，BenchLM 自己說這讓總分偏保守。
Artificial Analysis 的量測更冷：Intelligence Index 39.5%，Omniscience 幻覺率 96.5%。幻覺率這麼高，說明它在不確定的題目上仍會硬答。
DeepSeek local inference 的門檻：128GB 記憶體與 500GB 量化檔
想跑在自己機器上，先看規格。Unsloth 的指南寫 128GB 以上記憶體可以跑，64GB 要靠 SSD 卸載，速度慢很多；模型檔也大，UD-Q8_K_XL 是 508.4GB，UD-Q4_K_XL 是 500.7GB。這不是筆記型電腦的份量，也不是單張消費級顯示卡塞得下。
DeepSeek pricing 這次沒有新數字
本篇不寫金額，價格變動快，直接看 BenchLM 或 Vals AI 的即時頁面。API 名稱的變化比較實用：文件說 deepseek-flash 現在由 V4.1-Flash-1017 服務，舊名 deepseek-v4-flash 仍接受，按 Flash 價格計費。
推論預設開思考，reasoning_effort 落在 1 到 100，預設 75（low 50、medium 62、high 75、max 100），長篇生成建議留 256K 輸出詞元。
怎麼用 DeepSeek V4.1 Flash：先測你自己的任務
分數用來篩選，不是保證。同一顆模型換一套工具鏈，Terminal-Bench 可以差 16 個百分點，你自己那條流程的差異只會更大。那該怎麼挑一顆模型來跑自己的流程？拿三到五個真實任務跑一輪：讀懂既有 repo 的 issue、改一個設定檔、跑測試到綠燈，三個都過再談要不要換。
有 128GB 記憶體與一顆 500GB 的 SSD，本地跑得好，資料不出去；沒有的話，API 的 deepseek-flash 是同一顆模型，差別在資料要離開你的機器。成本自己算，先估一個月的詞元用量，再去看即時報價。
