Artificial Analysis 独立评测 DeepSeek V4.1 Flash：智能指数 40 分，称其取代 V4 Pro 0813 成为 DeepSeek 新旗舰

独立评测机构 Artificial Analysis 于 2026 年 9 月 10 日 20:36（UTC）发布对 DeepSeek V4.1 Flash 的评测结果：该模型在 AA Intelligence Index（Artificial Analysis 智能指数）得 40 分，超过 DeepSeek V4 Pro 0813，Artificial Analysis 在帖文中称其由此取代后者、成为 DeepSeek 的新旗舰模型（评测帖）。与 DeepSeek 官方此前公布的数字不同，这份成绩出自独立评测机构。

V4.1 Flash 是 DeepSeek 当天发布的开源模型，Artificial Analysis 在评测帖中将其描述为 DeepSeek V4 Flash 0731 的后继者：帖文正文口径为 552B 参数 MoE（混合专家模型），采用新的 Causal Encoder-Decoder（因果编码器-解码器）架构，输入与输出分别只激活 8B 和 16B 参数；上下文窗口 100 万 tokens，支持文本与图像输入，MIT 许可，目前仅在 DeepSeek 一方 API 提供（评测帖）。

552B 对 1.6T：更小参数与约四分之一的单价

Artificial Analysis 在评测帖开头给出的核心判断是：V4.1 Flash 以「仅 552B 参数」跑赢了 1.6T 参数的 V4 Pro 0813，而且每 token 成本约为后者的四分之一，只因其输出冗长而略低于智能—成本 Pareto 前沿（帕累托前沿，即智能与成本的最佳边界）（评测帖）。评测附图中，V4 Pro 0813 的 Intelligence Index 为 36 分，比 V4.1 Flash 的 40 分低 4 分（评测帖）。

AutomationBench-AA 并列第一：代理与长上下文分项同步抬升

按 Artificial Analysis 的分项数据，V4.1 Flash 以 69% 登上 AutomationBench-AA 第一名，与 GPT-6 Astra 持平、高于 Grok 4.6 的 67%。该基准覆盖 39 个 SaaS（软件即服务）应用——含 Salesforce、Jira、Gmail、Zendesk 和 Google Sheets——共 657 个任务，考察模型能否在不触发防护规则的前提下完成目标；与 DeepSeek 自家模型相比，V4.1 Flash 比 V4 Flash 0731 的 54% 高出 15 个百分点，比 V4 Pro 0813 的 57% 高 12 个百分点，比 GLM-5.3 的 62% 高 7 个百分点（评测帖）。

其余分项方面：GDPval-AA v2 Elo 从 1,468 升至 1,632，上涨 164 分，排在 Kimi K3（1,584）之前；AA-LCR v1.1 得 84%，与 GPT-5.6 Sol、Gemini 3.8 Flash 同一水平；Terminal-Bench v4.0 得 27%。Artificial Analysis 认为，结合 100 万 tokens 上下文，这使 V4.1 Flash 适合以 flash 档价格处理长文档和大仓库任务（评测帖）。

单任务 89k tokens：冗长输出抬高成本，低价将其抵消

Artificial Analysis 同时指出 V4.1 Flash 的明显短板：每个 Intelligence Index 任务消耗约 89k tokens，是该公司测过的最冗长模型之一——比 Z AI 旗舰 GLM-5.3（71k）多 25%，比 GLM-5.3-Flash（69k）多 29%，比 DeepSeek V4 Pro 0813（55k）多 62%，甚至超过 Fable 5.1（78k）和 Claude Opus 5（73k）这些前沿模型的输出量（评测帖）。

冗长直接推高单任务成本，但低单价把它拉了回来。按 DeepSeek 一方 API 的价格——每 100 万 tokens 输入 0.30 美元、输出 1.20 美元，缓存命中输入仅 0.006 美元（98% 折扣），谷时再打五折——V4.1 Flash 每个 Intelligence Index 任务成本为 0.27 美元，约为 GLM-5.3（2.01 美元）和 Kimi K3（2.00 美元）的七分之一，约为 V4 Pro 0813（0.67 美元）的 40%。Artificial Analysis 在跟帖中补充：冗长让每任务成本高于每 token 价格给人的直觉，但这一成本仍显著低于多数开放权重同行；评测帖还提到，V4.1 Flash 比 V4 Flash 0731 便宜约 20%（评测帖、跟帖）。

评论区：从性价比认可到对榜单公信力的质疑

对这份评测的反应并不一致。@0x0SojalSec 质疑「GLM 5.3 Flash 不是比 DeepSeek V4.1 Flash 更聪明吗」——按评测附图，GLM-5.3-Flash 的 Intelligence Index 为 42，高于 V4.1 Flash 的 40（评论）。Julian Pscheid 称这次发布「没有打动我」，认为相比 V4 Flash 0731 只多了几分智能、却破坏了后者的价值（评论）。中文评论区则有用户直接质疑榜单公信力，@yuansou3 写道「你们想让谁排名高谁就可以排名高」（评论）。认可方向上，@EnvolDev 表示 89k tokens 的输出量不意外，「真正让我惊讶的是每任务仍只花 0.27 美元」（评论）。

同一帖文两种参数：552B 与 763B 并存

这篇评测帖本身留有一处未解释的矛盾：正文与开头均称 V4.1 Flash 为 552B 参数模型，但帖末的模型详情栏给出「763B total parameters」（总参数 763B），同样标注输入激活 8B、输出激活 16B，两种总参数口径并存（评测帖）。另有一处表述自相矛盾：Terminal-Bench v4.0 一节写道「27%，比 DeepSeek V4.0 Flash 的 27% 高出一倍多」，两个数字相同却称翻倍；评论者 Joan（@joanpyqt）随即指出这是笔误（评论）。

截至发稿，这篇评测帖未对两种参数口径的差异作出说明；V4.1 Flash 的真实总参数规模，是 40 分之外仍待厘清的数字。

参考链接

• Artificial Analysis 评测帖（X）
• Artificial Analysis 关于每任务成本的跟帖（X）
• @joanpyqt 指出 Terminal-Bench 笔误（X）
• @0x0SojalSec 质疑 GLM 5.3 Flash 排名（X）
• Julian Pscheid 评论（X）
• @yuansou3 质疑榜单公信力（X）
• @EnvolDev 评论（X）