DeepSeek V4.1 Flash实测，花3亿token，14组任务，居然比上代贵
作者：丸美小沐
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。
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。
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。
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：
V4.1视觉理解相比V4进步明显；
V4.1复杂任务更容易开多Agent，token消耗多；
数分和报告工程上，和V4几乎没有区别；
非视觉端到端任务的完成时间没有明显变化（dsh内）；
长上下文理解能力尚有进步空间；