DeepSeek 发布了 DeepSeek-V4.1-Flash-1017，这是对其 V4.1-Flash 模型的一次微调更新，旨在提升推理、编程和智能体任务的性能。该模型基于因果编码器-解码器（CED）架构构建，这与之前的迭代有所不同。该模型的一个关键架构特征是其稀疏混合专家（MoE）设计；它在 5520 亿参数的主干网络中，在输入时激活 80 亿参数，在输出时激活 160 亿参数。这种非对称划分旨在保持大规模模型能力的同时，降低每个 token 的计算量。
这张图片代表了 DeepSeek-V4.1-Flash-1017 发布后的官方模型卡。
此次更新重点在于推进性能与成本的帕累托前沿，特别是针对长程任务和智能体工作负载。根据技术报告，该模型在多个基准测试中取得了显著进步，例如在 DeepSWE v1.1 中得分 77.0，在 ProgramBench 中得分 29.1。为了支持这些改进，DeepSeek 实施了压缩 KV（键值）缓存，将缓存内存减少到之前 Flash 版本的约四分之一。这种内存开销的减少是降低成本并提高复杂多步任务速度的关键因素，这些任务通常需要长上下文分析。
虽然该模型在速度和任务完成度方面提供了实质性的改进，但与其它高端模型相比，它面临着不同的权衡。例如，虽然它在某些特定的编程基准测试中优于一些竞争对手，但在某些复杂的推理任务中，它可能仍落后于 GPT-5.6 Sol 等顶级模型。此外，该模型的性能高度依赖于其全新的“搜索与获取”（Search & Fetch）API 的集成，这些 API 目前已向所有用户开放。这些由 DeepSeek 自研搜索引擎驱动的 API 旨在促进实时信息检索，尽管它们在生产环境中的有效性仍是开发者在从旧版本过渡时需要评估的因素。