Terminal-Bench 与 DeepSWE：V4.1 Flash 在代理任务上超越前沿模型

DeepSeek-V4.1-Flash 的模型卡包含一张对比表。表中列出了前沿模型 Opus-5.0、GPT-5.6 Sol、K3 和 GLM-5.3，以及同系列的两个前代模型 DeepSeek-V4-Pro 和 DeepSeek-V4-Flash。所有测试均在最大推理强度下进行。

在推理能力方面，V4.1-Flash 在 GPQA Diamond 上得 90.9 分。竞争对手略高：GPT-5.6 Sol 为 94.1，Opus-5.0 为 93.4，K3 为 92.9，GLM-5.3 为 88.1。在 Codeforces 评测中，该模型评分为 3471，明显高于 DeepSeek-V4-Pro（3348）和 DeepSeek-V4-Flash（3289）。

代理任务中的反转

在代理任务中，局面发生逆转。在 Terminal-Bench 2.1 上，V4.1-Flash 得 90.6 分，位居榜首，领先于 Opus-5.0（89.1）、GPT-5.6 Sol（88.8）、K3（88.3）和 GLM-5.3（88.2）。DeepSWE v1.1 衡量真实编程任务的求解能力，该模型得 74.2 分，Opus-5.0 为 74.0，GPT-5.6 Sol 为 73.0，K3 为 67.5，GLM-5.3 为 66.9。

更新版本的测试呈现出更严峻的差距。在 Terminal-Bench 3.0 上，该模型得 30.0 分，而 Opus-5.0 为 43.3，GPT-5.6 Sol 为 34.4。在 Terminal-Bench 4.0 上，该模型得 31.2 分，Opus-5.0 为 51.8，GPT-5.6 Sol 为 39.9。在这两个更难的测试集中，美国模型的领先优势明显，差距达十几分。

运行框架导致 8 分差距

DeepSeek 还公布了 V4.1-Flash 在不同代理脚手架（scaffold）下的结果。在 DeepSWE v1.1 上，同一模型在 mini-SWE 框架下得 74.2 分，DSH Minimal 下 72.6 分，DSH Standard 下 70.5 分，DSH PTC 下 67.6 分。在外部框架中，Claude Code 为 69.8，Pi 为 66.2，Codex 为 65.6，OpenCode 为 65.5。权重完全相同，分数差距却接近 9 分。这表明当前决定代理成绩的因素不仅是模型本身，还包括包裹它的运行层。

在其他类别中，V4.1-Flash 在 CyberGym 上得 88.1 分，在 AutomationBench 上得 54.8 分，使用工具时在 HLE 上得 63.9 分。同一张表还显示了家族内部的代际跃升：在 Terminal-Bench 4.0 上，DeepSeek-V4-Pro 得 12.4 分，V4-Flash 得 7.0 分。V4.1-Flash 将这一成绩提升至 31.2 分，超过两倍，而输入侧仅有 80 亿活跃参数。

独立机构 Artificial Analysis 报告了该模型的两种模式：最大推理模式下智能指数为 39，无推理模式下指数为 25。两种截然不同的方法论并列展示，提醒读者在解读单一排行榜时需保持谨慎。