这几天，微博上不少人转同一条视频：自动化产线在屏幕里跑起来，是网友用 DeepSeek V4.1 Flash 的新版 3D 能力生成的。还有人拿它做 3D 建模，总装车间的汽车和爆炸图直接渲染出来，效果惊艳。小红书上则有人让它建了一座「废土前哨站」，锈蚀的运输车、铁皮棚屋、检查点路障，全部出自几句提示词。微博微博小红书
官方给这个能力起的名字叫「许愿式编程」：你用自然语言描述想要什么，AI 自己把它从零造出来。10月17日，DeepSeek 把模型更新到 V4.1-Flash-1017，网页端、App、API 同步切换。一更新就登上了两大排行榜榜首，其中就有开源模型榜第一。知乎知乎知乎知乎
但评论区的画风不太一样。有老用户说它比老版 V4 Flash「差不少」，还专门发问为什么大家对此毫无反应。也有人形容它「变抠门了」。登顶和退步，怎么会同时成立？知乎知乎
先看跑分：代码是真强了
官方模型卡摆出的成绩很直接：DeepSWE v1.1 拿了 77.0 分，高过 Opus 5 的 74.0 和 GPT-5.6 Sol 的 73.0。Terminal-Bench 4.0 从 31.2 跳到 42.3，Automation-Bench 从 54.8 升到 60.5，全面超过上一版。第三方口径也不差：LiveBench 2.0 的 Coding 分项，它拿了 96.0，和顶级付费模型 Sol 打平。Hugging Face知乎知乎
官方的说法是，这版用自反馈强化学习专门练了从零构建完整项目的能力，游戏开发和 3D 建模就是主打卖点。同时官方强调，任务执行时间和输出长度反而降了，推进「性能-成本的帕累托前沿」。下面这张官方发布的解码性能曲线，横轴是每个用户的生成速度，纵轴是整卡输出吞吐，官方想说的就是：又快又省，可以兼得。知乎Hugging Face
那批刷屏的产线模拟视频，就是这些卖点的具象化。
「退步」的感受又是哪来的？
答案同样写在跑分里，只是藏得更深。据官方技术报告整理的数据，相比 V4 Pro，SimpleQA 从 55.2 掉到 42.3，LongBench-V2 从 51.5 掉到 45.2，知识面和长文本理解被牺牲了。技术报告的标题就写得很直白：《Pushing the Limits of KV Cache Compression》。知乎Hugging Face
压得有多狠？KV 缓存压到原来的约四分之一，预填充计算量接近减半。配套的还有系统级省钱：模型更新三天后，DeepSeek 开源了自研推理框架 DeepInfer。这套框架里，Prefill 和 Decode 拆到不同的服务簇上，KV 缓存交由专门的外部存储承担。知乎知乎GitHub
代价是压缩会漏信息。字节 Seed 团队的长文本检索实验发现：同一条信息放在上下文的不同位置，效果会有明显差异；V4.1 Flash 比老版修好了不少，但仍留有 6.1 分的差距。这正是用户抱怨「一万字以后开始不听指令」的直接原因。知乎
还有个更扎眼的数字：幻觉率高达 96.5%——知识面答对率其实不低，但不会的题它几乎从不承认，而是硬猜。知乎
三个实际使用中的坑
一是「抠门」。有实测博主发现，新版 Agent 做事只要有点代价就倾向于不做，性格和上一代完全不同。如果你把它接进自己的 Agent 框架，记得单独适配，否则大概率翻车。微博
二是长程任务别硬上。LiveBench 的 Agentic 分项它只有 50.9 分，Sol 是 73.0，需要模型自主维护多轮状态、需求还一直变的长活，交给 Opus、Astra 这类长程更强的模型更稳。知乎
三是第三方订阅平台要留心。有用户爆料，某订阅服务里的 V4.1 Flash 是量化版，效果和官方 API 对不上。这个说法暂无官方证实，但掏钱之前，值得先拿个小任务验一验成色。微博
写在最后
V4.1 Flash 不是退步，而是变成了偏科生：边界清楚、可验收的代码修改和项目脚手架，它的性价比是市面顶级；但要百科全书式的知识和长文稳定性，短板同样明显。
想用好它，记住六个字：短任务，多验收。关键事实自己再核一遍——这一步，模型替不了你。
