DeepSeek V4.1 Flash实测：原生多模态提速显著，但成本与交付需权衡

原创 丸美小沐 2026-09-09 09:24 北京  家人们，DeepSeek V4.1 Flash 开启内测了。 内测问卷里有道题，把我看乐了。官方直接问，这个模型能不能全面替换线上的 DeepSeek V4 Pro。  [上次我测完 V4 Pro，结论是低于预期，不推荐接入 Codex。](https://mp.weixin.qq.com/s?__biz=MzIwNzc2NTk0NQ==&mid=2247619495&idx=1&sn=72a087c0e09784fcbf4228239e2fc7e4&scene=21#wechat_redirect) 这回官方自己都开始问，Flash 能不能接 Pro 的班了。 **Pro，你这家庭地位，好像也没那么稳啊。** 玩笑归玩笑，这次到底升级了多少，还是得跑起来看看。 这次内测通知，V4.1 flash是中间版本内测，采用了新的模型结构、支持原生多模态，能力更强、速度更快。  我按照官方的教程，第一时间把新模型接入了deepseek harness进行了深度实测。  这次，我也把旧版 V4 Flash 拉过来，用同样的提示词跑了14组任务，放在一起对照。  光 V4.1 就累计跑了**3亿 Token**。  这轮测下来，最明显的进步，确实是原生多模态带来的。它终于能自己看图了，还开始嫌自己画得丑。。 但速度、交付和花钱这几件事，比刚开测时想的复杂。 **模型吐字更快，但交付却未必更快。** 写到这里，官方又公布了一个新消息：**9月10日中午12点起，Flash系列降价，缓存命中输入的单价直接砍掉60%。**  价格更香了。不过，我这轮测试发生在降价之前，当时两版计费相同，V4.1 的测试账户却花得更多。 钱花在哪儿，时间又耗在哪儿？跟大家展开聊聊。 ## ◈一、原生多模态，少绕很多弯路 先说最直接的感受吧，V4.1 看图明显顺了。 我把同一张图交给两个模型，让它们解释内容。其中一组，V4.1 大约5.7秒就答完了，V4 花了200秒。 另一组图片描述，V4.1 用了7.6秒，V4 跑了751秒，十二分多钟。 差距主要出在后面的过程。 V4.1 能直接地说出图里有什么。旧Flash在这套接入环境里，经常要先跑 OCR，再分析像素和颜色，想办法从工具结果里拼出图片内容。  工具用了不少，结果还未必对。 同一张海报，V4.1 认出了黄牛，也读到了图里的 OX。 V4 Flash 虽然已经读到 OX 的碎片，但它最后还是把海报上的字猜成了 WINTER，黄牛也没认出来。 **总之，短视觉任务的优势很明显，省掉了找工具猜图片的过程。** 我又丢了经典的鹈鹕骑自行车。 以前做这种题，经常是模型宣布完成，我打开一看，问题一堆。 这次，**V4.1可以自检和迭代纠错。** 画鹈鹕时，V4.1 发现画出来更像一只带着碗的天鹅，就又去改头部、鸟喙和骑车的姿势。  中间过程图 另一个小熊任务，它嫌脖子太长、脑袋太小，已经有点像羊驼了，于是继续调整。   当然，知道哪里丑，也不保证每次都改到位。最终图里，远处那只脚和车链的遮挡、翅膀与车把的接触，仍然有值得挑的地方。  最终交付版 3D 武装飞机是这批视觉作品里我很喜欢的一个。 金属机身配上周围的参数面板，第一眼就有点正式模型展示页的意思。  转动视角，反光会沿着机身变化；拉近看，尾喷、起落架和机翼挂载都有结构。点一下开关，起落架还真能收回去，挂载也能隐藏。 画面有质感，操作也有反馈。 上次测 V4 Pro，我对前端效果是失望的。 这次这架飞机，确实把我的预期拉回来了一点。 ## ◈二、它能把图片里的信息，变成游戏里的数据 看懂图片是第一步。接下来测试【视觉推理】能力。 图片里的位置和规则，它能不能一起读懂？我准备了三张参考图……  一张青蓝色水獭邮递员，一张包裹和投递标记，还有一张5×5的关卡布局，基于三张图片，任务是：做一个《星光邮局》游戏。 玩法是，把推箱子和图案配对拼在一起。玩家控制邮递员，把包裹推到对应的投递格里，一共三关，再加上撤销、存档和导出明信片。 结果还挺能说明问题。  V4.1 保留了水獭的青蓝色身体、深蓝帽子和橙色邮包。更关键的是，玩家、障碍、包裹和目标格的位置，都能与参考图对上。 V4 却理解错了，它做成了7×7，角色变成了橙衣小人。 我查了任务记录能看到，V4 这一路的图像工具返回过不支持图片，随后它转去做程序化分析。走着走着就分析偏了。  同样给三张图作为输入，V4.1 **首先能正确保持图片不变形，把图片里的位置关系写进游戏规则，然后游戏逻辑和执行都正确。** ## ◈三、数据处理能力依据很强，前端进步明显 纯数据任务里，V4 仍然交出了不少可用的结果。 我让它们做 A 股全市场热力图，两边都把5557条本地行情快照整理成了树图。搜索000001，都能下钻到深市主板，再定位平安银行。 V4.1 的格子里，股票名称和代码显示得更完整；V4 顶部做了不同板块的独立入口。基本的数据整理、搜索和页面组织，旧 Flash 还是能做的。  另一个任务更有意思，我让它们做一个可以玩的数学展品。 这个展品叫孪生素数星系图。 孪生素数就是相差2的两个质数，比如3和5、11和13。我要求模型把千万以内的全部结果算出来，每一对画成两个相邻的光点，中间用细线连接，再沿着螺旋向外铺开，做成一片星系。 我还要求，输入其中一个质数后，结果列表和星系画面都要定位到对应的那一对。 最终，两个模型都给出了58980对，第一对是3和5，最后一对是9999971和9999973。 两边的计算结果都没问题。 **但当数据遇上可视化，差别出来了。** V4.1 的螺旋星系能显示。输入9999971，结果列表跳到最后，画面里也出现对应的两个光点和连线。 V4 的文字结果是对的，页面还告诉我已经定位，但中央主画布依然是一片黑。  这道题让我对 V4.1 的前端进步更有感受，对细节把控更精准了。 它把数据、图形和搜索动作接得更完整。旧 Flash 的计算部分没有掉队，最后交到浏览器里的效果，却可能差一截。 ## ◈四、吐字快，交活未必快 速度依然有惊喜。 开测初期，我截了一次这14组并发任务的日志。按当下的测试时间累计输出和生成时间计算，V4.1 大约284 Token/s，V4 大约97 Token/s，接近三倍。  刚开始看它跑，Flash 那种利索的感觉确实回来了。 **不过到了后半程，这个优势没有一直保持。**差距收窄，部分长任务也越来越磨人。 是不是大家都开始测，服务器压力上来了？我有这个怀疑，但目前还不能确认。 更让我意外的，是前面那个《星光邮局》。 同样做完一个三关小游戏，**V4.1 用了约34.5分钟，V4 用了约30.5分钟。** V4.1 的输出还更少，约11.3万 Token，对面约15万。 拆开日志看，在V 4.1 生成代码花费的时间确实更少。 整个任务下来，模型工作了大约15.5分钟，相比之下V4 用了23.4分钟。 **但如果只看模型等待工具运行的时间，时间差倒过来了。** V4.1 累计约18.7分钟，V4 约6.6分钟。 几次关卡布局搜索，就花了超过十分钟。  它把生成代码省下来的时间，又花到调用工具验证去了。 当然，这些时间也不全是白花的。测试和修正之后，关卡更贴近参考图。 可站在等结果的人这边，等待时间就是更长。 游戏里，有些时间花在找解法和验证上。回测任务里，则有些时间是在给自己修 Bug。 代码写得快，前面埋下的问题，后面还是得花时间补。 ## ◈五、长上下文能力有待提升 除了看图和写代码，我还想看看，它写长篇的水平有没有一起涨。 我只给了一句话灵感，让两个模型各写一部十万字网文。 > 宗门废柴扫地十年，扫出上古大能的道场； 掌门跪在门口求他出关，他说，再扫十年。 两边都交了稿。V4.1 写了25章、约10.67万字，V4 写了51章、约9.74万字。 把两边开头、中段、转折和结尾共27章抽出来细读之后，这次写网文，我反而更喜欢旧 Flash。 V4 的节奏很快。少年上山、比武出头、强敌围山，隔一段就有新进展。 V4.1 的笔墨更多，节奏却慢了下来。同一个扫地动作，能来回写好几遍。细节是多了，但我更想知道后面发生了什么，读着读着就想往下翻。 更离谱的是，有一处刚写到扫第五趟，下一段又回到了第四趟。同一晚，自己把遍数记乱了。。  两段原文放在一起，旧 Flash 的情绪表达更直接。放在这次网文题里，我读起来也更顺。 但旧版也有穿帮。前一章，主角体内的万尘珠已经长出了第七片嫩叶；下一章，写着写着又成了五六片。 一个把扫地的遍数记乱，一个把叶子的数量记乱。**长篇都能往下写，前后能不能对得上，还是另一回事。** 这种前后对不上的问题，到了报告里就更扎眼了。 前面提到的 A 股回测任务，我让它们用科技股近两年的行情模拟买卖，希望收益超过10%，最大回撤控制在10%以内，最后把结果和图表整理成报告。 回测就是拿历史行情模拟交易。收益看赚了多少，最大回撤看账户曾经从高点跌下去多少。 V4.1 做出的报告看着挺完整，13张图表都能加载。 可首页写年化15.1%，往下看，同一份报告里的图还标着17.8%，**总收益和最大回撤也没有统一。**  摘要和图表没有用上同一套数字。 **综合看下来，长上下文能力，还是有待进步的。** ## ◈六、V4.1的总花费反而更多 最后算一下钱。 14个任务完成，V4.1 的后台记录是2485次 API 请求，累计约3亿 Token，输入缓存命中率约98.9%。 **这3亿里，绝大部分是多轮请求反复带上的缓存输入，不是新生成了3亿 Token 的内容。** 消费61.96元。  相比之下，V4 对照账户消费45.47元。V4.1 反而多花了16.49元，约36%。 **怎么还贵了，钱到底花哪儿了？** 我把两边的任务日志连同子 Agent 一起翻了一遍，**发现这轮 V4.1 更爱给自己找帮手。有些活看着只有一个模型在跑，背后已经开了一整个团队。** 额外开销最集中的，是大型游戏和十万字小说这两题。这里的大型游戏，是同时要求做木筏求生和孢子五阶段的那道题。 V4 Flash 主要在一个会话里往下写，V4.1 则派出了 13 个子 Agent，把各个模块分别委托出去，自己负责组织和整合。 算上所有子任务，这道题 V4.1 用了约1.21亿 Token，V4 Flash 约3653万。 十万字小说这一题，更能看出它的做事习惯。 V4.1 给自己组了一个写作团队。前 24 章，一章派一个 Agent。自己写设定集、章纲和最后一章。 每个写手先读三份统一材料，再按四千多字的要求开写。写完查字数，按规范修改。最后主模型又让其中 9 章扩写。 光第22章，最终约4,253个汉字，中间就花了71,328个输出 Token。 还有一个小细节挺有意思。 主 Agent 让第21章补字数，说它只有3,847字。子 Agent 重新检查，文件已经有4,319字了，还特意指出不是3,847。但它仍按追加要求，继续往目标区间的上限补。 **团队大了，连交接时的字数都可能没对上。。**  主 Agent 要求补字数，原始日志截图  子 Agent 核数后继续修改，原始日志截图 相比之下，V4 Flash 在一个会话里，老老实实一章接一章写。 小说这一题，V4.1 的总 Token 比旧 Flash 多了约 17%，**输出 Token 也是旧 Flash 的 4.5 倍**。 游戏加小说，V4.1 在两个任务里累计开了 37 个子 Agent。仅这些子任务，就用了超过一亿 Token。 **V4.1 在复杂任务上，更倾向开多Agent。** 但分出去的每一章、每一块代码，都要重新读材料、写内容、做检查，最后还得接到一起。并行能让几路工作同时推进，也会多出交接和返工。 这些中间工作，最后都会进账单。 不过，V4.1 也有明显更省 Token 的任务。 飞机建模这一题，它用了约897万 Token，旧 Flash 约1849万。《星光邮局》则是约805万对1461万，少了约45%。 偏偏《星光邮局》，又是它交活更慢的那一道题。。 最后说下测试结论： 1. **V4.1 视觉理解相比V4 进步明显；** 2. **V4.1 复杂任务更容易开多Agent，token消耗多；** 3. **数分和报告工程上，和V4几乎没有区别；** 4. **非视觉端到端任务的完成时间没有明显变化（dsh内）；** 5. **长上下文理解能力尚有进步空间；**   [跳转微信打开](https://wechat2rss.bestblogs.dev/link-proxy/?k=1f8a0d2f&r=1&u=https%3A%2F%2Fmp.weixin.qq.com%2Fs%3F__biz%3DMzIwNzc2NTk0NQ%3D%3D%26mid%3D2247621260%26idx%3D1%26sn%3D31d0d3c79a113248752f0004d372cc1e)