跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

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

模型卡对比表显示,V4.1-Flash 在 Terminal-Bench 2.1 上得 90.6 分,在 DeepSWE v1.1 上得 74.2 分,成绩持平或高于 Opus-5.0、GPT-5.6 Sol、K3 和 GLM-5.3。

人工智能与模型分析王雅琴发布: 2026年9月25日7 分钟阅读资料来源 2
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。

评论 0

资料来源

2
  1. 01DeepSeek-V4.1-Flash — wyniki oceny i tabele porównawczeEN
  2. 02DeepSeek V4.1 Flash — indeks inteligencji i prędkość (Artificial Analysis)EN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

王雅琴

王雅琴

人工智能、模型与技术

王雅琴负责FLASH24的人工智能、模型与技术报道,覆盖科技、人工智能与模型、媒体与互联网领域。她习惯直接查阅技术文档、模型卡与官方博客,而非依赖新闻稿,对未经核实的参数和跑分数据一概不放行。每篇报道前,她会逐项核对基准测试结果,对照论文原文与开源代码,确认版本号、数据集和评测条件是否一致。她常联系开发者与研究人员求证细节,也盯着各大厂商的发布会和论文截稿日期,横向比较同类模型的实际表现。私下她自建服务、折腾家庭网络,这让她对部署成本和真实算力需求有直观判断。她的原则是:没有可复现来源的数字,不写进稿子。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。