DeepSeek发布V4.1-Flash-1017模型并开源Rust工具库

DeepSeek 发布了 DeepSeek-V4.1-Flash-1017 模型，该版本在代码和 AI 代理任务上表现优于其前身及 Claude Opus 5、GPT 5.6-Sol 等更大规模的竞争对手，同时大幅降低了单次任务成本。作为此次更新的一部分，DeepSeek 还首次将其内部搜索引擎向外部开发者开放。 该模型采用了强化学习自反馈（RLSF）进行后训练，利用模型自身的置信度或自我生成的批评作为奖励信号，从而无需人工评估者即可提升端到端的软件开发能力。在 DeepSWE v1.1 基准测试中，V4.1-Flash-1017 取得了 77.0% 的得分，平均成本仅为约 0.20 美元，而前代模型得分为 74.2%，成本约为 0.50 美元。相比之下，图表显示 GPT-6 Astra 和 Gemini 3.8 Flash 等竞品的单次任务成本介于 2 至 10 美元以上。 此外，DeepSeek 推出了 Search & Fetch API，基于其处理每日数亿次查询的内部搜索引擎，每 1000 次调用收费 0.75 美元，并在特定工具中提供限时免费访问。值得注意的是，尽管 DeepSeek 选择此时开源权重，但文章末尾提及中国官方可能收紧对高排名模型开源发布的监管政策，这构成了未来潜在的不确定性因素。

DeepSeek 发布了 DeepSeek-V4.1-Flash-1017，作为 V4.1-Flash 的次要更新版本，该模型在推理、编码、智能体任务及视觉基准测试中实现了显著改进，同时降低了任务执行时间和输出长度，从而提升了性能与成本的帕累托前沿。在 HLE（无工具）基准上得分为 42.6，Terminal-Bench 为 4.0，DeepSWE v1.1 达到 77.0，ProgramBench 为 29.1，自动化与视觉类任务表现亦优于部分竞品。 此次发布的核心工程增量在于配套的工具链：官方提供了包含多轮对话、工具调用、思考模式等测试用例的 Python 参考实现 encoding.py，以及一套名为 deepseek-recipe 的 Rust 库（含 Python 绑定）。该库负责将 Messages、Chat Completions 和 Responses API 请求转换为 DeepSeek V4/V4.1 协议格式，解析包含思维链、工具调用、图像及生成设置的完整或流式响应，但模型推理、工具执行和 HTTP 传输仍由调用方自行处理。模型支持 1M tokens 上下文窗口，采用 MIT 许可证开源权重，推荐采样参数为 temperature 1.0、top_p 1.0 且 max_tokens 不低于 256K。 事实层面，该模型已明确在多个特定基准上超越或持平 GPT-5.6、Claude Opus 5 等主流模型，且未引入 Jinja 格式聊天模板。推断层面，Rust 工具库的发布暗示 DeepSeek 正致力于降低生产环境下的集成门槛与延迟，特别是针对需要高频交互的智能体场景。猜测层面，虽然报告强调“次要更新”，但在多个高难度编码与自动化基准上的分数跃升可能意味着底层架构或 KV Cache 压缩技术有实质性迭代，而非单纯的数据微调。