伦敦安全研究员实测：DeepSeek V4.1 Flash 花 $12.79 检出 44 个漏洞，称居所测开源模型之首

UTC 时间 9 月 9 日 14:38（北京时间当日 22:38），X 账号 @Zaddyzaddy（自称安全研究员、UCL 计算机科学博士生，标注常驻伦敦）发布了一组第一手实测结果：他给 DeepSeek 的新模型 V4.1 Flash 100 个已知存在漏洞的 pull request（PR，代码合并请求），每个 PR 限时一小时，模型共找出 44 个漏洞，审阅成本为 $12.79，折合每个漏洞约 $0.29。，在所测过的所有开源模型中，V4.1 Flash 发现「由 PR 引入的漏洞」的能力最高，「接近前沿模型的表现，成本只是零头」。

对比数字同样来自他的单方面报告：同一批 PR 中，Anthropic 的 Opus 5 找到 48 个、花费 $448，约为 Flash 审阅成本的 35 倍；xAI 的 Grok 4.6 找到 54 个、花费 $120，约为 9 倍，两个对比模型只比 Flash 多找到 4 个和 10 个。帖子发布数小时后的公开数据约为 3,200 次查看、70 余个赞、6 次转发（截至抓取时）。

一句话的方法交代和一张 bugbunny.ai 的图

主帖关于样本与规则只写了一句话，其余信息都在这张配图里。散点图横轴是审阅 100 个 PR 的总成本（$0～$500），纵轴是漏洞检出率（20%～60%），图上方标题写着「How good is DeepSeek V4.1 Flash at finding vulnerabilities introduced by pull requests?」，日期标注 09 SEP 2026，角标为 bugbunny.ai / VulnPR-100。

数小时前（UTC 09:31），他曾在，DeepSeek V4.1 在 @BugBunny_ai 的漏洞检测 harness（自动化测试框架）上「好得离谱，难以置信」。BugBunny.ai 在自称「你的 AI 网络安全雇员」，主打在 Slack、Teams 里执行 pull request 安全审查与持续渗透测试等任务。测试是否由 BugBunny 平台执行、100 个 PR 从哪来、如何确认漏洞「已知」、怎样的输出算一次有效检出，主帖都没有说明，也没有附带数据集或判定记录。

把成本摊到每个漏洞上

把发帖人的两组数字折算到单个漏洞：Opus 5 每找到一个约 $9.33，Grok 4.6 约 $2.22，同口径下 Flash 约 $0.29。他据此把结论落在成本效率上，称这是「接近前沿模型水平、成本只是零头」，并称赞「@deepseek_ai 团队的这次发布令人印象深刻」。

口径要跟着他走：「开源模型中最高」只限于他自己测过的模型集合；Opus 5 的 48 个和 Grok 4.6 的 54 个同样出自他的这一次测试。图表里还有其他模型的数据点，他没有逐一说明各点的检出数与成本。

被测对象是 9 月 10 日自动下线的预览版

这条实测跑在 DeepSeek 一个尚未正式发布的预览模型上。据，DeepSeek 于 9 月 8 日下午低调开放 V4.1 Flash 的限时测试，模型 ID 为 deepseek-v4.1-flash-expires-on-0910——按命名，该版本于 9 月 10 日自动下线，测试窗口只有两天；定价与 V4 Flash 完全一致，但每个账号仅限 20 个并发请求（正式版 V4 Flash 为 2,500）。按该报道的分析，这样的并发上限只够功能验证与性能评估，DeepSeek 的这次 beta 定位是验证，而非承载生产负载。

另一组测试者 pilvar222（自称 Aikido Security AI 渗透测试负责人、常驻瑞士洛桑）也里特别注明：「注意这是预览版（deepseek-v4.1-flash-expires-on-0910），正式版很可能还会更好。」Zaddyzaddy 的实测帖发布于 9 月 9 日晚，正处两天预览窗口的第二天。

同一天的另一组独立测试：单次跑通 65.6%

同一天稍早（UTC 时间 9 月 9 日 09:51），pilvar222 发布了他对同一预览版在 Aikido 自家网络安全基准上的测试：单次运行能重新发现基准中 65.6% 的近期 CVE（通用漏洞编号，旧版为 55.2%）；三次运行汇总后（pass@3）达到 84.4%，超过他基准里的 Grok 4.6、Opus 5 和 GPT-5.6-Sol；精确率从 73.8% 升到 78.9%；他称 Flash 现在以约 50 分之一的成本追平前沿模型。在他补充说，新版本更「肯干活」：在划定范围内找不到东西时会去别处继续查，每轮工具调用数从 1.7 增至 1.79；遗留问题是它常只报出漏洞入口而不描述安全影响，「我们只把描述安全问题本身、而非只提入口的报告算作有效发现」。

两组测试的样本与口径不同——一个是审阅 100 个含已知漏洞的 PR，一个是重新发现近期 CVE——无法互相验证，但作为两次相互独立的测试可以互相参照。

回复里的另一种读法与对方法的质疑

主帖下为数不多的回复里，已经出现另一种读法：「所以 Grok 比它们都好」——若只比检出数量，54 个的 Grok 4.6 确实排在 48 个的 Opus 5 和 44 个的 Flash 之前；用户 sl4x0（自称全职安全研究员）则，DeepSeek 是他用过的性价比最好的模型，「除非 DeepSeek 出更好的，否则我很难换」。

在当天更早那条称赞 harness 的帖子下，，以他的经验，DeepSeek「有点太快把话说满」，并问它在漏洞利用与验证（exploitation/proofing）上的表现如何；「DeepSeek v4.1 审查得太厉害」。针对「用已知漏洞做样本」的做法，在 pilvar222 的测试帖下，：模型可能已经在训练数据里见过这些漏洞的公开分析，「你的基准有没有控制披露日期与训练截止点，还是说这高分有一部分是把记忆当成了 pass@3？」

截至抓取时，主帖下没有出现任何声称复现或证伪的回复或引用。而被测的预览版按命名将于 9 月 10 日自动下线；正式版发布后，这次个人测试能否被独立复现，还没有公开答案。