短的結論：最是一年春好處
基本情況：
DeepSeek 與眾不同的是，他們熱衷且擅長透過底層創新來提升效率。在這樣持續不懈的努力之下，即便會繞一些遠路，但最終都會做出突破性的成果。這次的 V4.1 看起來是小版本，但從模型結構到參數，都發生了很大的變化。
其中，邏輯能力相比自家 Pro 有顯著躍升，進入中國自研模型第一梯隊前段；底層架構創新帶來的極致速度，也抵銷了部分思考長度劣勢，平均耗時在同梯隊中最低。而且如果使用 high 檔，思考長度會顯著減少，回應耗時大幅降低，進入極高的可用區間。即便放眼全球，也具有競爭力。
Agent Coding 能力則提升幅度有限，略優於前一代 Pro。但 V4.1 的 Agent 行為相比之前發生較大變化，在不同任務上有較大差異，下文詳述。
邏輯成績：
表格的排序改為依中位分數降序排列。
*1 表格為了凸顯對比關係，僅展示部分可對照模型，不是完整排序。
*2 題目及測試方式，參見：大語言模型-邏輯能力橫評 26-08 月榜，新增 #76、#77、#78。
*3 完整榜單更新在 https://llm2014.github.io/llm_benchmark/
Agent 成績：
• 程式開發任務：V4.1 Flash 整體較 V4 Pro、V4 Flash Vision 等版本更優。單看測試分數不能完全體現。具體而言，V4.1 Flash 的綜合美感能力比 V4 各版本顯著更高，但離第一梯隊還有差距；V4.1 Flash 可以利用視覺能力檢查並修正諸多 UI 呈現、部分版面配置和樣式問題，但對美感要求更高的間距、配色，以及更複雜的高階建模、動態效果、轉場等任務，V4.1 Flash 則表現還不及預期。V4.1 Flash 的修復能力很強，對大部分的美學問題，如果人為干預，乃至提供範本，則模型可以完成得更好。
• V4.1 Flash 完成任務的步驟顯著多於前一代 Pro 和 Flash。觀測到增幅至少在 +20% 以上，極端情況是專案 J，增幅 +700%。這其中絕大部分增幅來源於自測環節；前一代 Pro 比前一代 Flash 自測更多，但總體還在合理區間，甚至在不太熟悉的技術堆疊上基本不自測，只做簡單靜態編譯檢查就結束。而 V4.1 Flash 則會更加細緻地展開全面廣泛自測，對每個功能點編寫測試案例，並截圖目視驗證。max 這種表現通常來自強化學習環境中，模型為了追求極少量 reward 增益而進行不計代價的嘗試。如果使用 high 或者 low 檔位，在中等難度任務上表現與 max 檔位近似，而步驟則會少很多，實用性更高。
• V4.1 Flash 的 Bug 定位能力和前一代 Pro 相當，遠好於前一代 Flash。表現為對於任意 Bug，都可以在無人工提醒情況下找到根因並正確修復。與 Pro 的差別只在於個別 Bug 存在多種改法，V4.1 第一遍改錯了方向。但這也具有隨機性。而且這僅限於測試任務，對於更廣泛的真實任務則還需讀者自行觀察。
• 推理消耗：V4.1 Flash max 檔位表現出前所未有的推理努力程度，在多個中等難度任務上甚至會消耗達到 260~340K，遠高於前一代，以及其他所有模型。在簡單指令遵循任務中也會消耗到 60K 級別。更關鍵是，V4.1 Flash 在消耗過量 Token 後，解題正確率並沒有提升，反而前一代 Pro 的平均正確率更高。而 V4.1 Flash 真正得分更高的任務，消耗基本持平前一代。這也再次印證了 max 檔位並不適合日常使用。
• 幻覺表現：V4.1 Flash 的幻覺表現要比前一代更低。不過前一代的幻覺控制並不優秀，有些場景是低於同梯隊模型的。V4.1 Flash 算是補上了短板，但相比國際領先模型，則差距依然明顯。最大問題在於一旦文字本身迷惑性加大，則 V4.1 Flash 還是吃不消，表現很不穩定，最壞情況也沒有高於前一代。這在 Agent 任務上的表現就是面對複雜任務清單，可能會隨機地丟棄部分資訊。
賽博史官曰：
大模型的發展具有螺旋性，前一代的成功並不代表後繼模型就會全面超越，而前代不足也不能說明團隊江郎才盡，油盡燈枯。關鍵是看團隊堅持什麼方向，他們的動作在不在主路徑上。而對於追求 AI 普及的 DeepSeek 而言，極致的降低成本正是其持之以恆的標竿。而 DeepSeek 的每次創新，都會給整個模型界帶來新的可能性，最終回饋到整體產業的進步，對此而言，如沐春風。