Browser Use 创始人发布自测结果：DeepSeek V4.1-Flash max 档得分约为 GPT-5.6 Sol xhigh 的 97%，agent 成本约低 30 倍

9 月 11 日，Browser Use 创始人 Gregor Zunic（@gregpr07）在 X 上公布了一组：DeepSeek 前一天发布的 V4.1-Flash 在 max 档上的得分约为 GPT-5.6 Sol xhigh 的 97%、Claude Opus 5 的 95%，而「记录到的 agent 成本」约低 30 倍。

这是 V4.1-Flash 发布后较早出现的第三方测试之一，也是把它与 GPT-5.6 Sol、Claude Opus 5 直接对表的一条。它来自 Zunic 单人发布的基准测试，正文里只有结论和数字，没有实验方法说明；回复区里，关于成本口径的追问和能力层级的质疑先后出现。

从「60 个残酷的浏览器任务」到一条简短帖子

Zunic 的帖子只有几句话，另附一张图：「max 档上的 DeepSeek V4.1 Flash 简直疯狂」「GPT-5.6 Sol xhigh 分数的 97%」「Claude Opus 5 分数的 95%」「记录到的 agent 成本低 30 倍」。

11 个多小时前，他发过：V4.1-Flash「在 60 个残酷的浏览器任务上位于帕累托前沿」，性能相近时，「记录到的 agent 成本比 Sol 和 Opus 低 50 倍以上」，「整个数据集跑下来的成本比 Sol 的单个任务还低」。两版结果都用「记录到的 agent 成本」这个说法，但成本倍数一个写 50 倍、一个写 30 倍，两条帖子的正文都没有解释口径的差别。

几分钟后，Browser Use 的官方账号，并把开发者引向自家云端的 V4.1-Flash：「GPT 5.6 Sol xhigh 97% 的性能、便宜 30 倍」；用 15 美元的免费额度，可以跑 100 个复杂的网页 agent 任务。

成本为什么可能低：每百万 token 0.003 美元，和 890 字节的 KV 缓存

省钱的机制写在 DeepSeek 9 月 10 日的里。官方称 V4.1-Flash 是新架构家族里最小的一款，带原生视觉理解；骨干是 552B 参数的 MoE（混合专家）模型，采用新的因果编码器-解码器（Causal Encoder-Decoder）结构，读入时激活 8B 参数、生成时激活 16B 参数。

补上了其余规格：模型共 40 层，20 层做编码、20 层做解码；上下文窗口 100 万 token；全局 KV 缓存（键值缓存）降到每个 token 890 字节。官方公告给出的比例是：KV 缓存对 HBM（高带宽内存）的需求为上一代的四分之一，对 SSD 存储的需求为八分之一。官方还说，缓存命中费用在 agent 成本里通常占大头，把缓存压小，成本就跟着掉。

价格表是这套机制在 API 上的体现：非高峰时段，缓存命中的输入每百万 token 0.003 美元、缓存未命中 0.15 美元、输出 0.60 美元；高峰时段全部翻倍；高峰时段是工作日 UTC 01:00～04:00 与 06:00～10:00，其余时间（含周末和节假日）都算非高峰。作为对照，VentureBeat 列出的 GPT-5.6 Sol 缓存命中输入价为每百万 0.40 美元，Claude Opus 5 为 0.50 美元，和 0.003 美元隔着两个数量级。

但挂牌价和「记录到的 agent 成本」是两个口径。据 VentureBeat 的解释，agent 的实际总成本还取决于输出长度、推理 token、重试、工具调用乃至任务成功率，缓存命中比例是关键变量之一；同样的单价差，落在不同负载上会得出不同的倍数。

同样的两个对手，官方表格给出的领先面是混合的

官方发布页的对比图（本文题图）里，GPT-5.6 Sol 和 Claude Opus 5 也在列：DeepSWE v1.1 上，V4.1-Flash 得 74.2，Opus 5 得 74.0，Sol 得 73.0；CyberGym 得 88.1，Automation-Bench 得 54.8。但 Terminal-Bench 3.0 上，Opus 5 以 43.3 对 30.0 领先；Terminal-Bench 4.0 的差距更大，51.8 对 31.2；GPQA Diamond 和 SEC-Bench Pro 的领先者是 Sol。这些都是 DeepSeek 自己跑的分。

官方对比表跑在最高强度上：据 VentureBeat 引述的技术报告，推理强度从 25 提到 100，DeepSWE v1.1 从 66.0% 升到 74.2%、Terminal-Bench 2.1 从 82.4% 升到 90.6%，代价是约 2.5 倍的输出 token 消耗；60～80 档能用不到一半的预算拿到大部分提升。DeepSeek 的 API 把推理强度分为 low、high、max 三档，对应 50、75、100；Zunic 帖子里写的「max」，与这套预设里的最高档同名。

其他早期第三方测试的结果也不一致。设计工具项目 OpenDesign 在 9 月 9 日，V4.1-Flash 在日常设计任务上达到 GPT-6 Astra 分数的 98%，成本是后者的 1.4%。同一天，vibe coding 社区 BridgeMind 的给出了另一个方向：在熔岩灯任务上，V4.1-Flash 的完成时间比 Fable 5.1 和 GPT-6 Astra 更长，尽管它跑到每秒 344 token、消耗 2,350 万 token、缓存命中率 99.7%、花掉 0.33 美元；产出的熔岩灯则好于 Muse Spark 1.3 和 Gemini 3.8 Flash。

回复区：口径追问、层级质疑与「钱包要哭了」

成本的统计口径被直接追问。Greg Glazewski ：「这个『记录到的成本』是按单个任务算，还是按完整 agent 运行算？便宜模型的重试一旦堆积，优势通常就没了。」

层级之争也很直接。Chris Hayes 的是：「它甚至不如 Sol……是个好模型，但毕竟是个 flash 模型。你真觉得它到了 Astra 的水平？去看看它做出来的东西。」中文 AI 博主「范凯说 AI」在里写道，这个评测「和我的体感一样」，并认为 DeepSeek 的实际能力「在 Astra 和 Claude 之下」。

支持的一方同样直接。EDDY VU 称，这样的性价比「完全改变了自主 agent 运行的单位经济」。

在回复里，Zunic 也答应了补跑：Alexander Yue 把「Astra 的各档强度」也补上，理由是「我听说 medium 比 xhigh 还贵」；Zunic ：「钱包要哭了，行吧，让我来，哈哈哈。」

旧标识迁移：退役、质疑与 9 月 14 日的路由切换

DeepSeek 已经开始替换旧模型。官网写明：V4-Flash 和 V4-Flash-Vision-Exp 已退役，它们的标识被暂时路由到 V4.1-Flash。

这种「换底层模型、不换标识」的做法已经引来反对声音。据 VentureBeat 报道，Hacker News 上的开发者认为，在生产标识背后更换底层模型，可能让回归测试失效，即便替代品名义上更好、更便宜。

DeepSeek 已公布 V4-Pro 的切换时间：9 月 14 日 04:00 UTC 起，所有 deepseek-v4-pro 请求都会按 V4.1-Flash 的费率处理，直到 V4.1-Pro 推出。