重點整理
- DeepSeek-V4.1-Flash-1017 是 2026 年 9 月 10 日推出的 DeepSeek-V4.1-Flash 的更新版。架構和 API 名稱不變，分數更高，回答更短。
- 在 DeepSeek 自己的測試中，進步最多的是代理式程式設計：Terminal-Bench 4.0 從 31.2 升到 42.3，DeepSWE v1.1 達到 77.0。
- 它是混合專家（MoE）模型，總參數 5,520 億，每產生一個 token 有 160 億參數參與運算，上下文長度最多 100 萬 token。權重以 MIT 授權免費提供。
- 完整權重約 510 GB。在 Mac 上需要 256 到 512 GB 記憶體的 Mac Studio，或在 128 GB 的機型上從 SSD 串流讀取。
1DeepSeek V4.1 Flash 1017 是什麼
DeepSeek-V4.1-Flash 是 DeepSeek V4.1 系列中最小的模型，內建影像理解能力。它在 2026 年 9 月 10 日上線 DeepSeek API；10 月 17 日，DeepSeek 以 DeepSeek-V4.1-Flash-1017 取代它，並稱之為一次小幅更新（DeepSeek API 更新紀錄）。
這次更新提升了推理、程式設計、代理和視覺基準測試的成績，模型完成工作時輸出更短、耗時更少。DeepSeek 針對自家的 DeepSeek Harness 以及騰訊 CodeBuddy 和 WorkBuddy 做了調校，並建議使用 DeepSeek Harness 0.2.1-rc.1 或更新版本（Hugging Face）。
這個名稱延續了 DeepSeek 以日期為更新命名的習慣：1017 就是月和日，也就是 10 月 17 日。
2跑分：1017 與 V4.1 Flash 及其他模型比較
| 基準測試 | V4.1 Flash 1017 | V4.1 Flash | Opus 5 | GPT-5.6 Sol | Kimi K3 | GLM-5.3 |
|---|---|---|---|---|---|---|
| HLE（不使用工具） | 42.6 | 36.8 | 56.3 | 44.5 | 43.5 | 42.0 |
| Terminal-Bench 4.0 | 42.3 | 31.2 | 51.8 | 39.9 | 12.6 | 37.9 |
| DeepSWE v1.1 | 77.0 | 74.2 | 74.0 | 73.0 | 67.5 | 66.9 |
| ProgramBench | 29.1 | 20.3 | 37.0 | 23.0 | 17.5 | 19.0 |
| NL2Repo-Bench | 68.2 | 65.4 | 75.3 | 56.8 | 58.0 | 58.0 |
| Agents' Last Exam | 35.4 | 31.8 | 28.6 | 26.7 | 27.6 | 28.5 |
| Apex Bench v1.1 | 72.1 | 64.6 | 65.8 | 54.3 | 47.8 | 56.6 |
依這些數字，1017 在 DeepSWE、Agents' Last Exam 和 Apex Bench 上領先表中所有模型；在不使用工具的推理、終端機工作和建構完整程式方面則落後 Opus 5。它在圖表和影像測試上也有進步，例如 Chartography（從 78.9 升到 83.0）和 BabyVision（從 89.6 升到 92.5）。
每項工作的成本也下降了。根據 The Decoder 報導的 DeepSeek 圖表，在最高設定下，一項 DeepSWE 工作的成本略低於 0.20 美元，上一版約為 0.50 美元。
3參數、上下文長度與大小
| DeepSeek-V4.1-Flash-1017 | |
|---|---|
| 總參數 | 5,520 億（混合專家） |
| 每個 token 啟用的參數 | 讀取提示詞時 80 億，產生時 160 億 |
| 專家 | 384 個路由專家和 1 個共享專家，每個 token 使用 6 個 |
| 上下文長度 | 最多 1,048,576 個 token |
| 每個上下文 token 的記憶體 | 約 890 位元組，是 V4 Flash 的四分之一 |
| 權重 | FP8，專家為 FP4；約 510 GB |
| 輸入 | 文字和影像 |
| 授權 | MIT |
下載內容中約 189 GiB 是兩張 Engram 表：一塊由模型查表讀取、而非運算得出的大型記憶，每個 token 只讀幾列。DwarfStar 等執行環境把它們留在 SSD 上，只讀取需要的列，所以模型執行所需的記憶體遠小於下載大小（antirez 在 Hugging Face 上的說明）。
4API 名稱與價格
在 DeepSeek 的 API 中，這個模型叫 deepseek-flash，現在已指向 1017；舊名稱 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 目前也會轉到它。DeepSeek 表示，1017 的呼叫方式和價格都維持不變（DeepSeek）。
| 供應商 | 輸入，每百萬 token | 輸出，每百萬 token |
|---|---|---|
| DeepSeek | $0.15 | $0.60 |
| Cloudflare | $0.10 | $0.60 |
| DeepInfra | $0.098 | $0.294 |
| Together、Fireworks、Baseten | $0.30 | $1.20 |
DeepSeek 建議 temperature 設為 1.0、top_p 設為 1.0，並為長回答留足空間（max_tokens 至少 256K）。權重沒有附 Jinja 聊天範本：提示詞要用模型儲存庫中的編碼程式碼建構。
5能在自己的 Mac 上執行嗎？
可以，但只限最大的 Mac。512 GB 記憶體的 Mac Studio（M3 Ultra 或 M5 Ultra）能完整裝下 4-bit 版本；256 GB 足以執行 2-bit 版本，Engram 表留在 SSD 上；128 GB 的 Mac 可以從 SSD 串流讀取，但很慢。第一個公開的執行結果來自一台 512 GB 的 M3 Ultra，每秒產生約 6.5 個 token。
該下載哪個版本、實際指令和速度，請見我們的逐步指南：在 Mac 上執行 DeepSeek V4.1 Flash。
其他 Mac 用 API 就好，每百萬 token 只要幾美分；較小的開源模型也能在本機順暢執行：請見本機跑 LLM 的最佳 Mac。
6讓大記憶體 Mac 的閒置時間派上用場
為了執行這類模型買下的 Mac Studio，一天大部分時間都在等待。MLX Node 把這些空閒時間借給 MLX Network，這個網路用 Apple 的 MLX 框架在 Mac 上執行 AI 工作，並為通過驗證的工作支付 MLX 代幣：免費席位每天最多 1 MLX，在 Ultra Mac 上執行的 Ultra 專屬席位最多 320 MLX。挖得的 MLX 鎖定 30 天，有專屬席位則更短；請閱讀風險揭露。
7常見問題
- DeepSeek V4.1 Flash 1017 是什麼？
- 它是 DeepSeek-V4.1-Flash 在 2026 年 10 月 17 日推出的更新版，DeepSeek-V4.1-Flash 是 DeepSeek 的開放權重混合專家模型。1017 保留了架構和 API 名稱，在推理、程式設計、代理和影像基準測試上得分更高。
- V4.1 Flash 和 1017 有什麼不同？
- 模型大小和 API 相同，訓練較新。在 DeepSeek 的測試中，1017 在 Terminal-Bench 4.0 得到 42.3（原為 31.2），在 DeepSWE v1.1 得到 77.0（原為 74.2）；它的回答更短，所以工作成本更低。
- DeepSeek V4.1 Flash 有多少參數？
- 總共 5,520 億。讀取提示詞時每個 token 啟用 80 億參數，產生時啟用 160 億，另有兩張可以留在磁碟上的大型 Engram 查找表。
- DeepSeek V4.1 Flash 1017 免費嗎？
- 權重可依 MIT 授權免費下載和使用。透過 DeepSeek 的 API 使用則要付費：依 OpenRouter 上的牌價，每百萬輸入 token 0.15 美元，每百萬輸出 token 0.60 美元。
- 可以在本機部署 DeepSeek V4.1 Flash 1017 嗎？
- 可以，但需要大量記憶體。在 Mac 上，512 GB 的 Mac Studio 能執行 4-bit 版本，256 GB 能執行 2-bit 版本（Engram 表放在 SSD 上）。記憶體較小的 Mac 比較適合用 API 或較小的模型。
資料來源
- DeepSeek API 更新紀錄api-docs.deepseek.com
- Hugging Facehuggingface.co
- The Decoderthe-decoder.com
- V4.1 Flashhuggingface.co
- antirez 在 Hugging Face 上的說明huggingface.co
- OpenRouteropenrouter.ai