数据来源非线智能Nonelinear 非线智能团队，维护着GitHub上的开源项目 chinese-llm-benchmark，目前 6,000+ Stars，长期占据中文LLM商业评测类项目Star数第一

github （非线智能）官网正文：

DeepSeek 近日发布了新一代 Flash 模型 DeepSeek-V4.1-Flash，官方将其定位为兼顾日常 Agent、多模态与代码任务的高效率模型。据官方博客说明，后续 API 中的 deepseek-flash 将统一指向该版本。在本次 ReLE 评测中，测试模型标识为 deepseek-v4.1-flash，下文涉及评测数据时均采用该名称。

本次 ReLE 评测侧重中文场景下的综合能力，涵盖教育、医疗、金融、法律、推理数学、语言指令、Agent 工具调用及 Coding 八个板块，相关官方基准数据我们统一放在“3、官方评测”中进行梳理。

deepseek-v4.1-flash版本表现：

  • 测试题数：约1.5万
  • 总分（准确率）：74.4%
  • 平均耗时（每次调用）：26s
  • 平均token（每次调用消耗的token）：2761
  • 平均花费（每千次调用的人民币花费）：20.7

1、新旧对决

对比上一代参照模型 deepseek-v4-flash-0424，新版本在 ReLE 中文综合评测中的变化非常直观：综合准确率显著提升、榜单排名大幅跃升，响应速度近乎翻倍；但伴随而来的，是 Token 生成量与调用成本的明显增加。具体对比数据如下：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】深度求索 DeepSeek-V4.1-Flash 实测：综合准确率74.4%跃居总榜第16，响应速度近乎翻倍引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】深度求索 DeepSeek-V4.1-Flash 实测：综合准确率74.4%跃居总榜第16，响应速度近乎翻倍

*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

*输出价格单位： 元/百万token

  • 总分和排名：deepseek-v4.1-flash 总分从 68.8% 提升至 74.4%（+5.6 个百分点），总榜排名从第 49 位跃升至第 16 位。对于一款主打 Flash 定位的轻量模型而言，成功冲入总榜前二十，提升幅度相当可观。
  • Coding提升最大：Coding 准确率从 60.4% 跃升至 72.5%，大涨 12.1 个百分点，是本次迭代中进步最显著的板块，与官方主打代码工程任务的定位高度契合。
  • 语言指令和推理数学明显上行：语言与指令遵循从 66.0% 提升到 74.1%（+8.1 个百分点），推理与数学计算从 75.4% 升至 82.3%（+6.9 个百分点）。这两门核心基础能力的强化，是带动总分跃升的关键支撑。
  • 医疗、法律和金融继续补齐：医疗与心理健康从 82.1% 提至 87.8%（+5.7 个百分点），法律与行政公务从 82.0% 提至 85.3%（+3.3 个百分点），金融从 81.0% 提至 83.4%（+2.4 个百分点）。教育板块从 58.1% 升至 59.9%（+1.8 个百分点），增幅相对平稳。
  • Agent工具调用小幅回调：Agent 与工具调用从 61.4% 微跌至 60.7%（-0.7 个百分点）。
  • 响应速度改善：单次调用平均耗时从 49 秒缩短到 26 秒，耗时骤减 47%。在准确率大幅走高的同时，生成延迟却接近减半，这是实际业务落地中体感最显著的升级。
  • Token与花费：平均单次 Token 消耗从 2554 增至 2761（+8.1%）；输出价格从 2.0 元/百万token 上调至 8.0 元/百万token，千次调用成本从 4.9 元上升到 20.7 元（约为上一代的 4.2 倍）。

2、横向对比

放在当前主流大模型的竞争坐标系中，deepseek-v4.1-flash 究竟处于怎样的水平？我们分别从同成本档位、内部产品线梯队以及开源与商用生态三个维度进行对照：

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】深度求索 DeepSeek-V4.1-Flash 实测：综合准确率74.4%跃居总榜第16，响应速度近乎翻倍

*数据来源：非线智能ReLE评测https://github.com/jeinlee1991/chinese-llm-benchmark

同成本档位对比

  • 20元附近档位处在较高位置：在千次调用 20 元左右的价格区间内，deepseek-v4.1-flash（74.4%，20.7元）展现出了明显的准确率优势。同成本档位竞品中，qwen3.5-plus（73.3%，22.9元）、Doubao-Seed-2.0-pro（72.8%，22.5元）和 Qwen3.5-27B（70.6%，25元）的总分均低于它，成本效率比优势清晰。
  • 与更低花费Flash模型接近：对比成本更低的 glm-5.3-flash（74.2%，12.7元）和 qwen3.8-flash（74.0%，10元），新 Flash 胜在综合准确率略高（高出 0.2~0.4 个百分点），但后两者的调用成本便宜近一半。对于预算极其敏感、需要超大规模跑批的业务，低价 Flash 依然是强劲备选。
  • 响应速度处在中上：deepseek-v4.1-flash 平均耗时 26 秒，虽然落后于部分海外顶尖闭源模型（如 gemini-3.8-flash 18s、claude-opus-5 15s、gpt-6-astra 14s），但在开源阵营中极具竞争力，明显快于 qwen3.8-flash（64s）、qwen3.7-plus（73s）以及自家 deepseek-v4-pro（145s）、glm-5.3（154s）等，实用性大幅增强。

新旧模型对比

  • Flash线从中游进入前列：上一代 deepseek-v4-flash-0424（68.8%）仅排在第 49 位，处在榜单中段；而 deepseek-v4.1-flash（74.4%）直接跨入第 16 名，一跃跻身前列。这主要归功于 Coding、指令遵循、数理推理及医疗领域的显著进步。
  • 与DeepSeek Pro线差距缩小：当前旗舰 deepseek-v4-pro（74.9%，94.1元，第12位）与新 Flash（74.4%，20.7元，第16位）的总分仅相差 0.5 个百分点。新 Flash 不仅大幅超越了早期的 deepseek-v4-pro-0424（71.7%，54.3元）和 DeepSeek-V3.2-Think（66.9%，7.5元）。
  • 产品线分工更清楚：新旧对比让内部定位更加明朗：新 Flash 承担起了“高成本效率比、低延迟、能打胜任大部分通用任务”的日常主力角色；而 Pro 旗舰则主攻少数超高难度的长尾复杂逻辑。日常问答、常规代码辅助及批量文本分析，Flash 已经具备极强的平替能力。

开源/商用对比

  • 开源阵营中的相对位置：在 ReLE 收录的开源模型中，deepseek-v4.1-flash 仅落后于 kimi-k3（75.6%，172.4元）、glm-5.3（75.2%，134.9元）和自家 Pro（74.9%，94.1元），直接超越了上一代百元级旗舰 glm-5.2（73.0%，110.5元）与 kimi-k2.6（72.9%，100.4元）。作为一款轻量级 Flash，它已经跻身开源头部阵营。
  • 与商用Flash模型互有取舍：海外头部模型如 gemini-3.8-flash（76.2%，76.9元）和 gemini-3.7-flash（75.4%，27.8元）在绝对分数上略高，但调用成本和生态不同；国内商用如 qwen3.8-flash（74.0%，10元）虽然分数稍逊，但更便宜。如果重视中文场景准确率与开源私有化的自主可控，新 Flash 表现均衡；若是超大规模的海量低预算任务，则极低单价的 Flash 竞品依然实用。
  • 选型边界：deepseek-v4.1-flash 尤其适合对中文综合准确率、响应延迟有硬性要求，同时看重开源架构可控性的中高要求业务；如果业务只关注单价极致压低、对质量上限要求不高，老款 Flash 或其它超低价模型仍可按需选用。

3、官方评测

参考 DeepSeek 官方博客（https://www.deepseek.com/en/news/deepseek-v4-1-flash/），官方针对代码工程、终端任务、推理数学、知识、网络安全、Agent 以及多模态工具使用等方向进行了全面测试。由于各类基准的任务设置、工具调用权限与打分标准各异，以下梳理官方披露的核心信息与数据亮点：

架构与效率说明

官方介绍，DeepSeek-V4.1-Flash 采用 552B 参数的 MoE 架构（Causal Encoder-Decoder 设计），输入端仅激活约 8B 参数，输出端激活约 16B 参数。 新模型最瞩目的工程优化在于显存与缓存占用的大幅缩减：单 Token 的 KV Cache 仅需约 890 字节，相较前代 Flash 的 3514 字节大幅降低。官方数据显示，在 1M 超长上下文场景下，新模型所需 GPU 显存仅为前代的 1/4，SSD 缓存开销压缩至 1/8，极大降低了私有化部署和长文本推理的硬件门槛。

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】深度求索 DeepSeek-V4.1-Flash 实测：综合准确率74.4%跃居总榜第16，响应速度近乎翻倍

代码与终端任务

在真实代码工程基准 DeepSWE v1.1 中，DeepSeek-V4.1-Flash 斩获 74.2 分，不仅大幅领先自家的 V4-Pro（62.7）与前代 Flash-0731（54.4），更逼近了顶尖旗舰 Claude Opus 5（74.0）与 GPT-5.6-Sol（73.0）。在终端操作评测 Terminal-Bench 2.1 中，新 Flash 拿到 90.6 分，超越了表中包括 Claude Opus 5（89.1）、GPT-5.6-Sol（88.8）、Kimi K3（88.3）、GLM-5.3（88.2）在内的全部参评模型。

面对挑战更大的高阶任务，在 Terminal-Bench 3.0 与 4.0 中，新 Flash 得分分别为 30.0 和 31.2。尽管面对 Claude Opus 5（43.3 / 51.8）等海外超强模型仍有差距，但已显著拉开了与前代自家模型及部分开源竞品的差距。

推理、数学与知识基准

在官方数理与竞赛测试中，新 Flash 展现出了极强的高难度题解能力：GPQA Diamond 达到 90.9 分，MathArena Apex 达到 65.6，Codeforces 竞赛天梯 Rating 高达 3471。而在代表综合极高难度的 HLE 测试中得分为 36.8（文本子集为 39.1），相较超重型旗舰（如 Claude Opus 5 的 56.3、GPT-5.6-Sol 的 44.5、Kimi K3 的 43.5、GLM-5.3 的 42.0）依然存在可见差距。这表明新 Flash 在规则明确的高难度竞赛题上爆发力十足，但在应对超复杂的开放难题集时，顶级全尺寸模型依然具备上限优势。

Agent、安全与多模态工具使用

在 Agent 与自动化能力测试中，官方数据显示：Automation-Bench 得分为 54.8，Agents' Last Exam 为 31.8，在官方对比列表中均拔得头筹，超过了对比表中的 DeepSeek-V4-Pro、GLM-5.3、Kimi K3、GPT-5.6-Sol 和 Claude Opus 5。在配合工具的多模态使用上，Chartography w/tools 得分 78.9，BabyVision w/tools 达到 89.6，ZeroBench-main w/tools 达到 49.0。网络安全基准中，CyberGym 为 88.1，SEC-Bench Pro 达 62.8，ExploitGym 为 15.3。这些多轮环境下的工具协同成绩，进一步印证了其作为“日常智能体与高效率模型”的定位。



非线智能官网 https://nonelinear.com/static/models.html 已上线deepseek-v4.1-flash，支持一键接入（附接入代码），添加客服 发送 体验金，可享20-50元首充奖励，欢迎对比体验。

引自非线智能（GitHub 第一 AI 商业测评） - 【非线智能测评】深度求索 DeepSeek-V4.1-Flash 实测：综合准确率74.4%跃居总榜第16，响应速度近乎翻倍

快速接入代码如下：

from openai import OpenAI


client = OpenAI(
    base_url="https://api.nonelinear.com/v1",
    api_key="YOUR_API_KEY",
)


response = client.chat.completions.create(
    model="deepseek-v4.1-flash",
    messages=[
        {"role": "user", "content": "分析一份中文技术文档，提取关键结论与后续行动建议"}
    ],
)


print(response.choices[0].message.content)