DeepSeek 沒開發布會就把模型換了：V4.1-Flash-1017 實測能一句話生出遊戲，但你的 token 預算先要管好

10月17日傍晚6點07分，DeepSeek 把 V4.1 Flash 更新到 V4.1-Flash-1017，網頁、App、API 三端同步切換。沒有發布會，沒有預熱，只改了一個版本號。API 名稱維持 deepseek-flash 不變，價格也沒動。對所有接 API 的開發者來說，這代表一件事：你什麼都沒改，後面的模型已經被換掉了。

自報分數漲了，但要會看

官方部落格把這次更新描述為「性能費用的帕累託改進」，意思是分數上升，任務運行時間和輸出長度反而下降。從模型卡看，漲幅是全面性的：Terminal-Bench 4.0 從 31.2 漲到 42.3，ProgramBench 從 20.3 到 29.1，DeepSWE 從 74.2 到 77.0。

這些數字有兩個前提。第一，全部是 DeepSeek 自行測試、自選評測框架的結果，沒有第三方覆核。第二，對比 Claude Opus 5 時是挑項目說的：DeepSWE 和 Automation-Bench 確實領先，但 Terminal-Bench 4.0（42.3 對 51.8）和 HLE（42.6 對 56.3）差距仍然明顯。「超越旗艦」這句話，只在你接受它指定的比較範圍時才成立。

這種安靜換模型的節奏，與先前DeepSeek 站上安理會發言席的情況類似，這家公司的對外姿態越來越少靠發布會，越來越多靠實際動作。

一句話生出能玩的遊戲，是怎麼發生的

這次更新最被討論的能力，官方稱為「許願式編程」。掘金一篇 10月18日的實測文章給了很具體的驗證方式。

測試者給出的提示詞只有一段：單檔 HTML 打磚塊遊戲、canvas 實作、方向鍵與滑鼠都可控制、磚塊有不同分值、清空進下一關且球速遞增、顯示得分關卡生命、P 鍵暫停、不引用任何外部資源。模型一次生成 16,735 位元組的完整程式碼，接著用無頭瀏覽器實際打開：繪製區域非空、控制臺零報錯、按鍵有反應、得分會漲，連配色圓角和粒子效果都在。

用日常一點的比喻，這就像你跟裝潢師傅說了一句「我要一間能住的房間」，師傅不只蓋好，還附了燈和窗簾，你當天就能搬進去。問題是帳單：整個過程耗時 71.7 秒，消耗 21,333 tokens，其中 15,349 個是思考 token。

那個坑：思考喫掉預算，程式碼被攔腰截斷

這是整篇實測最值得記的一個數字。模型在這次更新後把大量運算花在內部推理，如果你的輸出預算沒開夠，生成的程式碼會被硬生生切斷。測試者遇到的具體情況是，程式碼在第 1738 個 token 處被截斷。

這對一般使用者影響不大，但對接 API 的開發者是實實在在的成本結構改變。同樣一筆預算，過去可能七八成落在最終輸出上，現在思考就先扣掉七成以上。價格表沒變（峯時輸出每百萬 tokens 1.20 元，離峯減半），但同一個任務實際燒掉的輸出 token 變多了。換句話說，帳單的單價沒漲，帳單的長度變了。

API 回應體裡沒有版本號欄位，這也是實測者誠實標註的限制：他無法從技術上百分之百確認拿到的就是 1017。閱讀任何單機實測時，這個前提都該放在心裡。

所以呢

如果你的工作已經把 AI 生成程式碼放進流程，這次更新帶來的判斷很單純：能力確實變好了，但成本模型變了，輸出上限要開得比以前更寬，監控思考 token 的佔比會比監控輸出長度更有用。

如果你是拿分數做技術選型的人，記住這些是自報數據、自選框架，換個評測環境數字會不同。這也是 AI 工具評測圈的老問題，與「鵜鶘騎自行車」SVG 測試存在的理由相通：比起官方基準，一個可重現的小任務往往更能說明模型真實的樣子。

至於沒有發布會這件事，它可能本身就是訊號。當模型迭代快到值得開發布會的改動不再稀有，安靜換版就會變成常態。開發者能做的，是把版本確認和回歸測試寫進自己的流程裡，而不是等別人通知你模型已經不同了。