DeepSeek 新模型来了：V4.1-Flash-1017、编程升级与搜索 API

等 DeepSeek 新动静的人，今天等到了：2026 年 10 月 17 日，DeepSeek-V4.1-Flash-1017 发布，网页、App 和 API 同步升级。它延续 V4.1 Flash，重点是编程与 Agent 任务表现、完成任务的时间和输出长度；同日还开放了自研搜索引擎的 Search / Fetch API。官方发布说明。

这次最有冲击力的，是官方 DeepSWE 性能与成本图的左上角：1017 的最高档位达到 77% 通过率，每任务成本却只有约 0.2 美元。更高的成功率与更低的成本同时出现，才是这次更新值得重新讨论 DeepSeek 的原因。下面先读这张图，再看项目开发、搜索接口和实际费用。

先把时间线分清：V4.1 Flash 首发于 9 月 10 日，原生视觉理解和新架构在那时已经推出，1017 是后续更新。9 月首发公告与当前更新日志可以用来区分两次更新的范围。本文基于 10 月 17 日的官方资料，未进行独立模型横评。

在这张官方图的测试范围内，DeepSeek 1017 的性能与成本优势相当悬殊。 深蓝色曲线落在左上角：更靠上代表任务通过率更高，更靠左代表每任务花费更少。它把两件通常需要取舍的事，同时向前推进了。

来源：DeepSeek 10 月 17 日官方发布说明。完整保留官方图、坐标、图例与脚注；点击可放大查看。图中人民币换算口径见底部注释，API 现行收费另见下文。

这张图可以抓住三个重点：

1. 最高档位同时更强、更省。 1017 的 max 点明确标为 77.0%，英文原图横坐标约为 $0.2／任务；中文图约为 ¥1.3。上一版 V4.1 Flash 的 max 为 74.2%，成本约 $0.5。按图上位置粗读，成功率更高的同时，花费降到了上一版的约四成。这是读图估算，不是逐任务实测账单。
2. 拉开的不只是几分钱。 图中一些 GPT‑6 Astra、Claude Opus 5 的较高档位也落在约 73%—74% 的通过率区间，费用却在数美元至十余美元。对这些展示的工作点，成本差距达到一个数量级以上。更便宜的 GPT‑6 Luna 点也在图上，但其通过率较低；判断优势要同时看两个坐标。
3. 横轴是对数刻度。 $0.2、$2、$20 之间各是十倍关系。图上看起来只是横向拉开一段距离，预算上的差别却可能非常大。这正是这张图比一张只列分数的榜单更有说服力的地方。

我的判断是：这次 DeepSeek 值得关注的突破，在于把编程任务的性能与成本曲线明显向左上方推进。如果团队自己的代码任务也出现类似表现，低成本运行更多轮检查、修复和方案验证会变得更现实；选择模型时，“更便宜”和“更有能力”就有机会同时成立。

比较范围仍要读完整：这是 DeepSWE v1.1 的官方汇总图，1017 标注使用 mini-swe-v2。底部引用了 9 月 22 日的公开榜单资料及 OpenAI 官方图，不是我们在同一天对所有模型重跑的结果。图中的 Claude 是 Opus 5、Fable 5，不能写成已击败所有更新型号；它也不证明每种业务都能复制同样的差距。保留这些边界，仍然可以明确说：图中展示的性能与成本组合，足够让 DeepSeek 1017 成为编程模型选型时必须认真测试的候选。

来源：1017 模型卡、模型与价格、Search / Fetch 指南。

这一区分也影响试用方法：现在分别调用 deepseek-flash 和旧的 deepseek-v4-flash，不能构成新旧模型对照。官方价格页说明，旧 Flash ID 的请求也会交给 1017。要比较升级前后，应保留此前的运行记录，或使用确实锁定了版本的环境。

下面摘取与开发和推理相关的五项官方结果。变化列是分数直接相减，并不代表真实工作效率提高了同样的百分比。

来源：官方模型卡评测表。Terminal-Bench 4.0 使用 Claude Code 框架，DeepSWE 使用 Mini-SWE-V2。HLE 这里保留无工具完整口径，未混入纯文本子集的 44.0；不同框架、工具权限和评测版本的分数不宜直接拼成排名。测试条件。

对开发者，终端任务与项目构建成绩一起改善，比只看一道数学题的分数更值得试用。它仍不能证明所有代码仓库都能一次交付。前面的性能与成本曲线进一步说明了为什么要把通过率与完成任务的费用放在一起看。

DeepSeek 把这次发布称作“许愿式编程”，并将项目能力提升归因于基于自反馈的强化学习。公告展示了故宫 3D 建模、网页版赛车和 Godot 游戏项目。这些是官方在 DeepSeek Harness 环境中的演示，说明了想改善的任务类型；演示画面本身无法证明项目在所有设备上都稳定，也无法替代代码和功能检查。官方项目展示。

可以用一个更容易判断对错的任务试它。下面是本文设计的试用题，尚未实际运行：让 Agent 从零做一个活动报名页，输入为活动时间、20 个名额、报名字段和一张布局参考图。要求支持手机显示、提交前校验邮箱、满额后停止接受报名，并保留确认结果。

这个任务的难点藏在“页面做好以后”：两个人同时争最后一个名额怎么办？刷新页面后报名是否还在？提交失败时能否重试而不重复扣减名额？如果只有前端演示，应明确它没有持久化和并发保护；不能因为按钮可点击，就称为能投入使用的报名系统。

因此，评估完整项目能力时，先给出验收条件，再看生成过程。记录首次可运行的时间、未通过项、修改轮数和最终结果。视觉效果、功能正确与上线准备是三个不同结果，分别确认才知道新模型改善了哪一步。

模型更新之外，这次值得单独关注的是联网搜索与网页抓取接口：Search 负责找网页并返回结构化结果，Fetch 负责把指定网页提取为 Markdown。它们使用 DeepSeek API Key，分别通过 POST /v1/tools/search 和 POST /v1/tools/fetch 调用。官方接口指南。

以一份“供应商产品更新简报”为例，下面是本文设计的流程示意，未进行 API 实跑：

Onevium 原创流程示意。搜索结果是待核查材料；最终结论仍要对应原文。

假设搜索摘要说“某模型降价”，打开原文后却发现降价发生在 9 月，而今天只更新了能力。合格简报应把“上次降价”和“本次升级”分开；找不到发布日期的页面应标为待确认，不能自动当成今天的新消息。Fetch 无法获取正文时，也不应拿搜索摘要填充成已经核实的引用。

这两个接口把检索与正文获取做成可组合的服务，对开发者的价值在于更容易保留来源、日期和证据链。它们不会自动判断全部事实，也不是能登录任意网站、点击表单或绕过访问限制的浏览器。官方指南明确，网页抓取仍受目标站可用性与访问策略约束。

从产品竞争看，我更关注 DeepSeek 同时提供模型推理与资料入口：团队可以在一条工作流中比较输出费用和检索费用。能否长期使用，取决于目标领域的召回、时效、原文质量和最终任务成功率；单看索引规模无法回答这些问题。

以下是 2026 年 10 月 17 日官方中文价格，单位为人民币／百万 token，不是 App 订阅价格。1017 沿用当前 Flash 费率。

北京时间周一至周五 09:00—12:00、14:00—18:00 为高峰，中国法定节假日除外；其他时段为空闲。来源：DeepSeek 官方价格表。

一个可复算的假设：空闲时段全部轮次合计使用 100,000 个未缓存输入 token（已包含检索正文和重复发送的上下文）、10,000 个计费输出 token，模型费用为 0.1 × 1 + 0.01 × 4 = ¥0.14。如果输出减少到 6,000，其他条件不变，则是 ¥0.124。这里人为设定了 token 数量，只用于解释计费，不是实测节省比例。

Search 和 Fetch 各按 ¥5／1,000 次成功请求计费；仅 HTTP 200 且有结果的请求收费，空结果、失败与超时不收费。假设这份简报需要 4 次成功搜索、6 次成功抓取，检索费用为 10 ÷ 1,000 × 5 = ¥0.05，加上前面的模型用量共 ¥0.19。这里沿用全部轮次的累计用量假设；实际核算时，每轮重发的上下文也要分别计入，不能只统计最终可见的回答。搜索计费规则。

还要留意一个日期：通过 DeepSeek Harness、Claude Code 或 Codex 使用 DeepSeek API 时，已有的服务端 Search / Fetch 工具调用目前暂未计费，自北京时间 2026 年 11 月 1 日 00:00 起按次收费。这是指定调用路径的过渡安排，不是所有新接口无限免费。官方计费说明。

账单之外，还有人工检查与返工时间。输出变短但漏了必要步骤，任务成本未必降低；输出稍长却一次通过验收，也可能更划算。比较模型时，把费用除以合格结果数，比只盯着每百万 token 单价更接近实际收益。

1017 的权重已经在 Hugging Face 和 ModelScope 提供，官方模型卡标明仓库与权重采用 MIT 许可。开放权重提供了自行部署与研究的选择，不代表普通电脑可以直接运行，也不意味着训练数据和训练全流程全部开放。部署前仍要核对对应推理实现和资源需求。

普通用户可以直接从官方网页或 App 体验；API 用户核对模型名 deepseek-flash。使用 DeepSeek Harness 的读者，官方建议升级到 0.2.1-rc.1 或更高版本。适配说明。如果通过第三方网关调用，应向网关确认其实际映射版本，不能仅凭菜单显示名判断。

在 Onevium 中，可按自定义服务商文档核对 DeepSeek 连接：Anthropic 兼容接口根地址是 https://api.deepseek.com/anthropic，模型为 deepseek-flash。沿用已验证的预设或配置，先确认一条短回复，再让模型只读一个测试文件并准确概括内容，最后尝试有明确验收条件的小项目。本文未在 Onevium 中独立验证 1017 的完整工具链，新的 Search / Fetch API 也不能仅凭模型升级就当成已经自动接入。

这次更新值得重新把 DeepSeek 放入编程与研究任务的试用清单。用同一组输入、相同工具权限和验收标准，记录费用、耗时与返工，再决定是否替换自己的默认模型。需要进一步设计比较方法，可接着读模型价格与评测怎么比较和如何从执行记录检查 AI 结果。