福建
又到每月一次的 DeepSeek 更新节点。这次的主角是 V4.1 Flash 1017。
我最关心的不是宣传语，而是横评表上那行数字：中位分 59.46，测试成本 ¥17.06。
同一张表里，Kimi-K3 是 56.73 分、¥125.05。分更高，钱只花了个零头。
当差距只有几分，成本却差出七倍，这才是工程师会真正停下来算的账。
一、先泼盆冷水：这是「稳定超越」，不是「碾压」
看分数要带尺子。中位分 59.46 对 Kimi-K3 的 56.73，领先不到 3 分；极限分 65.54 对 64.22，几乎是贴身肉搏。
再往上看，Gemini 4 Argon 69.35、GPT-6.1 Sol 71.22 仍然压着一头。
所以那句「遍插茱萸少一人」特别准：国内登顶了，山顶上还站着别人。
另外中位差距 9.28%，说明发挥仍有波动，谈不上稳态输出。跑一次高分不稀奇，跑十次不掉链子才稀奇。
二、真正值钱的突破，是跨技术栈不掉链子
Agent 和编程这块，才是本次的主菜。
有个细节值得单独拎出来：J 类动画任务，新 Flash 的执行步骤只有旧版的 20%。省下来的时间不是靠偷懒，而是行为模式变了——想清楚再动手，代码集中写、结果集中验证，不再边跑边改。
更关键的是泛化性。前端、App、Rust、科学计算几条技术栈，成绩基本持平，没有出现「换语言就崩」的老毛病。
国产模型第一次在同一水准上跑通多技术栈，这比多拿两分重要得多。
三、审美能打，品控还得自己把关
审美这块，新 Flash 算国模第一梯队，和 GPT-6.1 Sol 在伯仲之间，还略优于同代的 Gemini。
但它有个癖好：把画面填满。做网页就塞满小元素和文字，做 App 就弃用系统控件、改自绘。这和 Astra 的路数更像。
差别在于，顶级模型懂得留白，新 Flash 还不懂。
而且细看每个细节并不经看。要拿去上线商用，你要修的边角料比想象中多。好在它指令遵循强，需求文档里把细节写足，它就能直出更贴合预期的产物。
把验收标准前置，是用好这代模型性价比最高的动作。
四、Token 去哪了：一半省下，一半多花
推理能力上，新旧 Flash 有升有降。
涉及注意力、要从细节里找答案的任务，新版明显更强，幻觉更低，Token 用量只有旧版的一半甚至更少。这正好对上官方说的 WorkBuddy 长文本场景优化，一次成功率会涨不少。
但需要大量探索和反复反思的任务，新版反而多烧 30% 到 40% 的 Token，分数没涨。
说白了，复杂推理没有本质提升。两代 Flash 都在幻觉上做文章，这条路子看着是对的，但天花板还没捅破。
五、说点掏心窝的
我这两年看国产模型迭代，最大的感受是：参数往上堆，收益并不线性；在舒适区把工程关节打通，让数据飞轮转起来，反而更可能跑出自己的 J 型曲线。
国际环境风高浪急，把自己的舵掌稳，比追风口实在。等算力和数据攒够了，更大的模型自然有腾空的一天。
给你两条能直接落地的建议：
- • 涉及多技术栈的 Agent 项目，现在可以直接切换到新 Flash，配套 DeepSeek Harness 0.2.1 标准模式，把验证环节收口，别让它边跑边改。
- • 交付商用 UI 前，把间距、控件规范、留白要求写进需求，用它强的指令遵循去补它弱的审美取向，修细节的成本能压掉一半。
最后留两个问题，评论区聊聊：
你的团队现在跑一次完整 Agent 任务，实际成本和返工率是多少？
如果国产模型在复杂推理上三个月内仍无本质突破，你会选择等，还是用工程手段硬补？
这个问题的答案，可能比跑分更说明行业走到了哪一步。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
