DeepSeek V4.1-Flash-1017 开源：Terminal-Bench 从 31.2 跳到 42.3

DeepSeek 放出了 V4.1-Flash-1017 的开放权重版本，这版是一次实打实的能力抬升而不是换个版本号。

数字对照

Artificial Analysis 智力指数 45 分，比上一版高 6 分，在开放权重模型里并列第二。Terminal-Bench 4.0 从 31.2 提升到 42.3，这个跨度在终端操作类任务上算显著。DeepSWE 拿到 77.0，超过 Claude Opus 5 的 74.0 和 GPT-5.6 Sol。

为什么 Terminal-Bench 这个指标重要

它测的不是写代码片段，而是在真实终端里完成多步操作：读日志、改配置、跑测试、处理报错。这类任务对模型的「状态跟踪 + 工具调用 + 失败恢复」能力要求最高，也正是大多数 Agent 落地时最先崩的地方。31 到 42 的提升，意味着它从「经常半途迷路」变成「大致能走完」。

路线没变

DeepSeek 依然走低价 + 开源权重 + 长上下文这一套，没有转去做闭源的旗舰叙事。对国内团队来说，这条路的价值在于可替换性：你能自己部署、自己微调、自己在内网跑，不用把核心流程押在一个随时可能改价改策略的 API 上。

上手建议

V4.1-Flash 的定位是「够快够便宜」，别指望它在需要长链推理的架构设计题上和 Opus 5.5 掰手腕。用在批量代码审查、日志归因、脚本生成这类确定性强的活上，性价比是它的主战场。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

Terminal-Bench 从 31 跳到 42 是质的差别，这个指标测的就是在陌生终端里摸索，Agent 最容易半途迷路。不过 DeepSWE 高于 Opus 5 这件事得看评测集怎么构造，别直接当结论用。

Terminal-Bench 从 31 到 42 是质变，说明多步工具调用的稳定性上来了，不只是知识点变多，DeepSWE 反超 Opus 5 也印证这点。开放权重做到这个水平，内部代码助手的性价比很难再被闭源比下去。

Terminal-Bench 从 31.2 到 42.3 比智力指数更有说服力，终端任务考察的是多轮工具调用不跑偏。实际用下来这类模型最容易犯的错是半路改主意、把中间产物覆盖掉。42.3 意味着能扛十几步连续操作，做 CI 修复、批量改仓库可以试着接进来。