「深度求索 V4.1 Flash 1017（max）（DeepSeek V4.1 Flash 1017 (max)）」页面的「智能（Intelligence）」部分首先列出「人工分析智能指数（Artificial Analysis Intelligence Index）」v4.3.2，说明该版本纳入 10 项评估：AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 和 AA-LCR v1.1，并标注没有公开可用的 API。随后又说明 v4.3.2 包含上述评估，并指向智能指数方法论页面以了解每项评估的细分与运行方式；在按开源权重与专有（proprietary）划分的指数小节中，同样重复 v4.3.2 纳入这 10 项评估且无公开可用 API 的说明。

智能

Artificial Analysis 智能指数

Artificial Analysis 智能指数 v4.3.2 包含 10 项评估：AA-Briefcase v1.1、GDPval-AA v2.1、AutomationBench-AA、Terminal-Bench 4.0、SciCode、Humanity's Last Exam、GDP.pdf、CritPt、AA-Omniscience 和 AA-LCR v1.1。该模型没有公开可用的 API。

有关各项评估的细分及运行方式，详见智能指数方法论。

按开源权重 / 专有模型划分的 Artificial Analysis 智能指数

该指标说明模型权重是否可用。若商业使用受条件限制，模型标记为 “Commercial Use Restricted”；若许可证禁止商业使用，则标记为 “Non-commercial”。

智能指数与单任务成本对比

图中展示 Artificial Analysis 智能指数与每项智能指数任务的加权平均成本（美元），并标出“最具吸引力象限”（Most attractive quadrant）和“帕累托线”（Pareto line）。

每项智能指数任务的加权平均成本计算方式：先根据输入、缓存命中、缓存写入、推理和回答 token 价格算出每项评估的成本，再除以任务数，并按其智能指数权重加权。

能力指数

衡量模型在特定能力和行业上的表现。

评估

以下智能评估由 Artificial Analysis 独立测量，分数越高越好。

• 代理式知识工作（Agentic knowledge work），(Elo-500)/2000
• 代理式现实世界任务（Agentic real-world work tasks），(Elo-500)/2000
• GDP.pdf：专业文档推理，All-pass
• 编程（Coding）
• 物理推理（Physics reasoning）
• 终端中的代理式科学研究工作流（Agentic scientific research workflows in a terminal）
• 开源仓库中的代理式软件工程（Agentic software engineering in open-source repositories）
• 法律代理工作，幻觉门控全通过率（Legal agentic work, Hallucination-Gated All-Pass Rate）
• MLCR-AA：医学长上下文推理（Medical long context reasoning）

虽然模型智能通常可跨用例迁移，但特定评估可能更贴合某些用例。

AA-Briefcase v1.1 已更新

AA-Briefcase Elo

AA-Briefcase v1.1 是由 Artificial Analysis 开发的代理式知识工作基准。AA-Briefcase Elo 是一个综合指标，聚合分析质量 Elo、展示 Elo 和评分标准通过率；其中评分标准表现会通过合成的头对头匹配转换为 Elo。分数越高越好。Elo 及 95% 置信区间边界被截断在 0。

AA-Omniscience

AA-Omniscience 指数

AA-Omniscience 指数（越高越好）衡量知识可靠性与幻觉情况：答对得分，产生幻觉扣分，拒答不扣分。分数区间为 -100 到 100，0 表示正确与错误答案数量相当，负分表示错误多于正确。

开放性指数

Artificial Analysis 开放性指数：得分

开放性指数在 0 到 100 的归一化尺度上评估模型开放程度，分数越高越开放。

Token 使用情况

每项智能指数任务的输出 Token 数

运行 Artificial Analysis 智能指数中一项任务所用输出 token 的加权平均数。该数值由各基准在智能指数中的相对权重乘以每项评估的输出 token 数，再除以任务数（不含重复）得出。

成本

每项智能指数任务的成本

每项智能指数任务的加权平均成本（美元），按 token 类型细分，越低越好。

运行 Artificial Analysis 智能指数的成本

运行 Artificial Analysis 智能指数中所有评估的成本（美元），根据模型的输入、缓存命中、缓存写入、推理和回答 token 价格，以及各评估使用的 token 数量（不含重复）计算得出。

定价：缓存命中、输入与输出

价格（美元 / 百万 Token）。此处展示的是缓存提示（此前已处理）的每 token 价格，通常相比常规输入价格有明显折扣，以美元每百万 token 表示。图中数值为缓存命中价格；缓存写入和缓存存储单独计费，且因提供商而异，详见“Cache pricing by provider”。

上下文窗口

上下文窗口

上下文窗口：token 上限，越大越好。更大的上下文窗口对 RAG（Retrieval Augmented Generation，检索增强生成）LLM 工作流很重要，这类工作流通常涉及对大量数据的推理和信息检索。它是输入与输出 token 合计的最大值；输出 token 的上限通常低得多（因模型而异）。

速度

以输出速度（token / 秒）衡量。

输出速度

每秒输出 token 数，越高越好。该指标是模型生成 token 时（对于支持流式传输的模型，指从 API 收到第一个数据块之后）每秒接收到的 token 数。图中数值代表模型第一方 API 的性能；若无第一方 API，则取各提供商的中位数。

每项智能指数任务耗时

每项智能指数任务的加权平均解码时间（分钟），不包括首 token 时间（TTFT）和开销时间，越低越好。

每项 Artificial Analysis 智能指数任务的加权平均时间（秒）由每项任务的输出 token 数除以输出速度，再按各基准在智能指数中的相对权重加权得出。

延迟

以首 token 时间（秒）衡量。

延迟：首个回答 token 时间

收到首个回答 token 的秒数，并计入推理模型的“思考”时间。指从发送 API 请求后到收到首个回答 token 的秒数。对推理模型，这包括模型给出回答前的“思考”时间。对不支持流式传输的模型，这代表收到完整结果的时间。

端到端响应时间

输出 500 个 token 所需的秒数，根据首 token 时间、推理模型的“思考”时间和输出速度计算。

端到端响应时间

输出 500 个 token 所需的秒数，包含推理模型的“思考”时间，越低越好。接收 500 token 响应的秒数由以下部分组成：

• 输入时间：收到第一个响应 token 的时间。
• 思考时间（仅限推理模型）：推理模型在给出回答前，为推理而输出 token 所花的时间。token 数量基于 60 个多样化提示的平均推理 token 数（方法论详情）。
• 回答时间：基于输出速度生成 500 个输出 token 的时间。

图中数值代表模型第一方 API 的性能；若无第一方 API，则取各提供商的中位数。

模型规模（仅限开源权重模型）

模型规模：总参数与激活参数

模型总参数与推理时激活参数（十亿）的对比。总参数指模型中可训练权重和偏置的总数，以十亿计；这些参数在训练中学习，决定模型处理和生成回答的能力。激活参数指每次推理前向传播中实际执行的参数数量，以十亿计。对于混合专家（MoE）模型，路由机制会为每个 token 选择一部分专家，因此激活参数少于总参数。稠密模型使用全部参数，激活参数等于总参数。

讨论气氛总体认可新 DeepSeek 开源模型的效率、速度和日常可用性，但分歧也相当清楚。少数意见认为基准分数和热度夸大了它相对 MiMo、GPT 或上一代的实际优势，并指出它在消费级硬件和小众专业任务上仍有明显局限。

认为新模型在更小参数下接近开源 SOTA 且适合日常使用

• 参数约 552B（被动 536B、激活 16B），只有 MiMo v2.6 Pro（约 1020B）一半左右，却在多数任务上接近后者，且推理速度快、更省 token；配合开源权重和本地高速设施，已被一些用户当作稳定主力，甚至直接成为日常模型。不过也有反馈称它仍偏啰嗦，需要后续微调来提升 token 效率。（认可度：较多人）
• > 它已经成了我现在的日常模型。（@kindlejiang）

认为基准分数与热度夸大了新模型的实际优势

• 按任务成本和耗时看，GPT 6.1 Sol 的中等档反而比满血档的 DeepSeek 更便宜、更快；MiMo 2.6 Pro 分数相近却只要半价，却没有同等热度。内部评测也显示，新模型只是更省 token，得分并未超过上一代，且在网络安全、逆向、硬件探测等场景可能仍不如 GLM-5.3。（认可度：少数人）
• > 按任务计算，GPT 6.1 Sol 的中等档其实更便宜也更快，用满血档对比并不现实。（@Tiberium）

指出消费级硬件与小众专业任务上仍不可用

• 即便只要求极低 TPS、能过夜跑出可接受结果的“够用智能”，128GB 内存加 2080 Ti 这类消费级配置似乎仍不够；在乐谱识别等任务上模型依然失败，能胜任的 Astra 又过于昂贵，说明基准分数无法覆盖所有真实需求。（认可度：少数人）
• > 在 128GB 内存和 2080 Ti 上，似乎连低到可以过夜运行的可用智能都还做不到。（@aliljet）

有价值的补充

• 模型工程被视为“权衡”的艺术：可以在 SOTA、速度、价格、显存等不同轴之间取舍；开源权重的价值正是把不同实验室的取向都交给用户选择，而当前创新扩散极快，好想法会被各家互相吸收。（@Imustaskforhelp）
• 新模型的思维链（CoT）相比旧版变化很大，因此“重度 Astra 蒸馏”的说法显得可信；旧版偶尔会陷入模仿 Claude 的“Claudisms”，新版则更聚焦、锐利。（@lhl）
• 领域能力并不均衡：GLM-5.3 在网络安全、逆向、硬件探测上依旧突出，新模型未必达到同一水平；乐谱识别这类小众需求依然只有昂贵的 Astra 能较好处理。（@lhl、@amelius）
• 除 DeepSeek 外，英伟达 nemotron 120B 等模型也展示了很高的 TPS，让人期待未来通用硬件上能跑出更好的推理速度；此外有建议通过专项微调来改善模型“啰嗦”、提升 token 效率。（@Imustaskforhelp）