十月十七日凌晨两点四十，DeepSeek 把新权重推上了 Hugging Face。没有发布会，没有倒计时，连 API 里的模型名字都没改。
你第二天照常调用 deepseek-flash，拿到的已经是另一个模型。
真正让这件事发酵的是 Hacker News。两个帖子分别拿到六百一十一和五百一十一个赞，五百多条评论里有一大半在笑同一句话：官方把这次更新叫作「小版本」。
按 DeepSeek 自己的说法，这确实是 V4.1-Flash 的一次小更新。可它的终端任务分数从三十一点二跳到四十二点三，代码基准从七十四点二涨到七十七。这个幅度放在别家身上，够开一场发布会了。
所以这篇不聊「又赢了」，只聊三件对你有用的事：分数到底涨在哪、钱怎么算、切过去要改什么。想先看这家公司过去半年的产品节奏，可以翻 DeepSeek 专题页。
换的只是权重，不是模型形状
先说清楚这次更新在技术上有多「小」。
Hugging Face 上的仓库叫 deepseek-ai/DeepSeek-V4.1-Flash-1017，许可证还是 MIT，和九月十日那版一样。模型配置文件逐字相同，网络结构和参数规模没动，换掉的只有权重本身。
换句话说，这不是 V4.2，也不是新架构。它是同一个模型重新训练了一轮，然后原地替换。
官方的更新日志把这件事包装成一个说法：性能与成本的帕累托改进——同样的钱，分数更高、任务跑得更快、输出更短。
这个说法有没有水分，得看表。
分数涨在哪，跌在哪
下面这些数字全部来自 DeepSeek 的模型卡和更新日志，跑的时候用了什么框架，这次它写清楚了。
终端任务 Terminal-Bench 4.0，从三十一点二到四十二点三，用的是 Claude Code 那套执行环境。代码基准 DeepSWE v1.1，从七十四点二到七十七点零，用的是 Mini-SWE-V2。ProgramBench 从二十点三到二十九点一，NL2Repo 从六十五点四到六十八点二，自动化基准从五十四点八到六十点五，智能体长任务从三十一点八到三十五点四。
最陡的一条是终端任务，涨了十一点一分。
但同一张表里也有它没赢的地方。Humanity’s Last Exam 不带工具是四十二点六，Claude Opus 5 是五十六点三。NL2Repo 是六十八点二，Opus 5 是七十五点三。ProgramBench 它涨到二十九点一，Opus 5 还在三十七点零。
把这几行放在一起，形状很清楚：会用工具、能跑长流程、能连续改文件的地方，它追上来了甚至反超；需要硬知识、需要从零把整个仓库搭起来的地方，它还差一截。
这个形状不是 DeepSeek 一家的问题。上个月 JetBrains 开源 12B 编程模型时也是同一套打法：把力气全押在修 bug 和终端操作上，不去争通用知识。我在那篇的拆解里写过，小模型靠「专精一类活」换生存空间，这次只是把同样逻辑放大到了 Flash 这个量级。
这也解释了为什么它的演示是三个「成品」：一个紫禁城的三维模型、一个浏览器赛车游戏、一个用 Godot 复刻的传送门。这类活的特点是反馈明确、能反复试错，正好是强化学习擅长的地形。
三个必须打折扣的地方
第一，所有分数都是它自己跑的。到十月十八日晚间，没有任何独立榜单给 1017 这个版本单独打过分。模型卡自己写的也是「小版本更新」。
第二，对照表里的对手不是最新的。它拿来比的是 Opus 5 和 GPT-5.6 Sol，而市面上已经有 Opus 5.5 和 GPT-6。这不叫造假，但叫选择性对照，看表的时候得自己补上这一层。
第三，也是容易被忽略的一层：分数是在指定执行环境里跑出来的。终端任务用的是 Claude Code 的执行框架，代码基准用的是 Mini-SWE-V2。换一个框架、换一套工具定义，成绩会不会掉，官方没说。
一个模型的真实水平，往往不是被基准测出来的，是被你自己的工作流测出来的。
钱怎么算，以及那个藏在时区里的坑
这次价格一分没动，这点值得肯定。API 名称也没变，老代码不用改就能拿到新模型。
低谷时段的价目是：输入每百万 token 零点一五美元，缓存命中降到零点零零三美元，输出每百万 token 零点六美元。高峰时段翻倍，输入零点三、输出一点二。
坑在高峰时段的定义上。官方写的是工作日 UTC 凌晨一点到四点、早上六点到十点。换成北京时间，就是上午九点到十二点、下午两点到六点。
这正好是国内团队一天里最忙的两段时间。
同一份价目表，对一个纽约开发者意味着「上班时间打八折」，对一个杭州团队意味着「上班时间加价一倍」。这不是谁故意的，是定价按全球统一时区切分带来的副作用，但账要你自己算。
能省的钱很具体：批量的代码迁移、文档重写、夜间回归测试，全部挪到晚上八点以后，或者早上八点半之前，单价直接砍半。周末和国内法定节假日全天按低谷算。
按它自己那张成本图，DeepSWE 上表现最好的那档设置，每个任务大约零点二美元；调低一档大约零点一美元。九月那版最好档接近零点五美元。它列出的闭源对手，同基准是两到十美元一个任务。
Cline 的说法更直接：终端任务上打赢 Sol，价格便宜十七倍。
自反馈强化学习：省的是标注钱
更新日志里有一句话，比跑分重要，但很容易被划过去：这次后训练用的是带自反馈的强化学习。
翻成白话：模型自己给自己的表现打分，用自己的置信度或者自我批评当奖励信号，不再依赖人类标注员，也不再单独训一个奖励模型。
这条路省钱，也省时间。人类标注是后训练里最贵、最慢的一环，把它拿掉，迭代速度就能提上来。这也是为什么它能在三十七天里再推一版。
它家的训练环境本来就走得靠前。九月公开的那套 Agent 沙箱工厂一天能造三百万个沙盒，模型在里面反复试错、自己找答案——有这样的基础设施，才撑得起「自己给自己打分」这条路。
代价在另一头：如果打分的人就是被打分的人，模型自己的偏好会被固化成奖励。它觉得「这样写挺好」，就会一直这么写。这种偏差不会在基准上立刻显形，但会在长期使用里慢慢渗出来。
官方没有公布奖励函数的设计细节，所以现在能确定的只有一句：这是一条成本路线，不是一条能力路线。
顺手开的搜索接口，半个月免费
同一天的更新日志里还有一条：DeepSeek 把自己家搜索引擎的 Search 和 Fetch 接口开放给所有开发者。
价格是每一千次调用零点七五美元。但在十月三十一日之前，通过 DeepSeek Harness、Claude Code、Codex 里的服务端工具调用是免费的。
对个人开发者来说，这半个月是个不错的窗口期：拿它做资料检索、做行情核对、做竞品监控，先把流程跑通，再决定要不要付钱。
要注意的是，这类「服务端工具」的免费额度通常按账号算，写脚本前先看一眼自家的用量面板，别把测试流量跑成账单。
想切过去，改两行就够
如果你已经在用 DeepSeek，其实什么都不用做。deepseek-flash 已经指向新版，老的 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 这两个名字也还能调，只是背后同样路由到 1017。
规格上有几个数字值得记住：
上下文一百万 token，单次最多输出三十八万四千 token，支持图片输入，思考模式默认开启，可以切非思考。工具调用和 JSON 输出都有。接口同时兼容 OpenAI 格式和 Anthropic 格式，包括 Responses API。并发上限两千五百。
对自托管的人，权重在 Hugging Face 和 ModelScope 上，MIT，商用没限制。但要注意推理框架的适配：新权重发布当晚，vLLM 和 SGLang 的支持往往滞后几天，急着上生产的话先看仓库里的 issue。
另外，官方在发布说明里提到，这次针对 DeepSeek Harness 做过专项优化，也适配了腾讯的 CodeBuddy 和 WorkBuddy。它推荐的最低版本是 Harness 0.2.1-rc.1。如果你还没装过这套东西，之前那篇 Harness 桌面版上手里有完整步骤。
适合谁，先别急的是谁
适合切过去的人：每天批量改代码、跑终端任务、在长上下文仓库里做检索和重构、对成本敏感的自动化流水线。这类活它现在确实又快又便宜。如果你还在挑工具，AI 编程工具专题里有更完整的横评。
可以先等等的人：主要拿模型做知识问答和长文写作的（HLE 那十四分差距不是小数）；需要从一个需求直接生成完整仓库的（NL2Repo 还落后七分）；以及上线前必须有第三方评测背书的合规场景。
还有一个更实际的理由：如果你把模型接进了生产，这次「同名换权重」本身就意味着你的回归测试基线静默失效了。同样的提示词、同样的模型名，输出已经不一样。上线前那套评测，值得重跑一遍。
老达点评
一、不改名换权重，是这次最该记住的事。 它省钱、省沟通，对开发者友好，但也意味着你昨天调好的提示词，今天可能就不灵了。生产环境里锁版本号，比追新版本重要。
二、看跑分先看对手是谁。 这张表里没有 Opus 5.5，也没有 GPT-6。不是造假，是选择。任何厂商的跑分表都该这么读。
三、峰谷定价藏着一笔时区账。 国内团队白天用、晚上停，正好踩在双倍价上。改个定时任务，成本能省一半，这是今天最容易拿到手的收益。
四、自反馈强化学习值得盯三个月。 它把「谁来打分」这个最贵的环节内部化了。如果三个月后有独立复现证明它不掉链子，这条路会被更多团队抄走；如果没有，那它就是一个漂亮的成本故事。
模型越来越像水电，价格表和时段表的重要性，正在超过跑分榜。
