10月17日，DeepSeek把V4.1 Flash更新到了V4.1-Flash-1017，网页、App、API三端同步切换，价格没动。这一版的宣传语是“许愿式编程”，重点全压在“从零构建”上：官方给出的四个演示——故宫3D建模、网页赛车、Godot复刻《传送门2》，外加一条从史前到现代的3D时间轴场景。按官方描述，用户只用自然语言说清想要一个什么样的成品，模型自己去完成规划、编码、查错、调试，几轮很短的交互之后直接产出能跑的完整工程。但把发布当晚就涌出的对账评测和横向实测翻一遍，图景和标题的狂欢不太一样：这轮提升集中在“写代码、干工程”这一条线上，有三类任务要么没涨、要么实测反而退了。知乎微博知乎
跑分涨是真涨：官方十一项基准对比里，Terminal-Bench 4.0从31.2涨到42.3，相对涨幅约35.6%。官方对这次升级的定性也很直白：基准更强，任务跑得更快，输出也更短。问题出在钱花在哪了——而这恰恰是坑的来源。知乎知乎
第一类千万别依赖：闭卷的事实问答和“看图报数”
这轮官方点名的训练方法是“基于自反馈的强化学习”。说人话就是，模型被从一个“先在脑中想清楚再开口”的系统，往“边做边根据反馈修正”的方向推了一步。这个取舍的代价，落在纯靠“脑子里存量”的场景上：不联网、不跑代码、让它直接答事实。发布当晚一位UP主的11项复测发现，新版在代码与复杂工程交付上提升显著、Token花费省了三分之一，但基础识图出现退步，3D世界知识仍有明显短板。知乎知乎哔哩哔哩
一位博主的横向对比里，这个例子新版退步了，跳跃有问题，后面的地图完全乱了。知乎
提示词里明明写了可以参考开源项目，它没去查资料，这次直接脑补了。拿它办事实类任务，规矩只有一条：先让它查。这轮官方同步开放了自研的搜索与抓取接口，各5元一千次。 这个价格低到可以把“先查证再回答”变成默认动作。但涉及发票、合同、医疗和财务的数字与结论，最终把关的还得是人。知乎知乎
第二类千万别依赖：一句话把高完成度的3D和视觉资产丢给它
官方演示确实能打，但那是官方选出来的示范案例；第三方复现同题材就没这么顺。有位UP主一句话直出马里奥游戏、蒂法建模、建筑建模这些项目，给出的结论相当直接：总体略失望。另一位博主的“车库”项目同样好坏参半：网页复刻的布局、颜色和控件到位了，可一切换到3D建模，人物造型和钢铁侠战甲“只能说很抽象”，自行车座椅插到屁股、腿还折了。哔哩哔哩知乎
连“打赢竞品”的榜单本身也要细看：11 项赢 9 项，但对手是 GPT-5.6 不是 6.1，赢的是竞品的上一代旗舰。哔哩哔哩
另一轮第三方1440次请求的跑测则显示，新版主要赢在“变短”，不是“变对”。哔哩哔哩
官方自己也划了边界：这不是万能许愿机，越宏大的工程越需要一定的需求约束，许愿越清晰，成品越靠谱。所以拿“许愿式”去做视觉资产，正确姿势是把项目拆成小的交付单元、附上参考图和素材、写明验收标准，能放手让它写代码，别放手让它替你交付审美。知乎
第三类千万别依赖：赶deadline的和要求一锤子成交的长任务
性价比是真的：同档旗舰Opus 5.5 输出是 20 美元，1017 高峰价 1.2 美元，差了大约 17 倍。知乎
但绝对上限的差距也是真的：同一个基准，Opus 5.5 是 66.4，Fable 5.1 是 55.8，1017 的 42.3 离它们还有十几到二十几分，而且各家自报、框架不完全一样。知乎
“跑分快”也换不成“交付快”。实测的长任务里，“车库”跑了3个小时、“坦克世界”跑了2个小时，这个速度绝对不能算快。另一路实测同样提醒，虽然是200tps的生成速度，干起活来一点都不快。知乎哔哩哔哩
还有一个不进跑分表的隐性成本：新版发布前两天，DeepSeek宕机近5小时并发放补偿。正如那条逐项对账视频说的：稳定这一项，从来不在跑分表里。赶工期、要验收的活，留好旧版本或另一个模型兜底、长任务按节点检查收货，别把整个交付窗口压在一个没被自己测过的模型上。第一财经哔哩哔哩
小结
1017的定位已经很清楚了：它是眼下把“工程活”干得最闭环、价格最低的一档，Terminal-Bench 4.0三条版本线从7.0、31.2一路涨到42.3。它没补上的课也没变：闭卷的事实问答、吃审美和世界知识的视觉交付、赶时间又要求稳的场景。把它当工程师用，别把它当全能顾问——上面这三个坑，是发布头两天社区用真金白银的实测替你踩过的，你不必再踩一遍。知乎
