Terminal-Bench 与 DeepSWE：V4.1 Flash 在代理任务上反超前沿模型

DeepSeek-V4.1-Flash 的模型卡里有一张对比表。表里列着前沿模型 Opus-5.0、GPT-5.6 Sol、K3 和 GLM-5.3，旁边是同系列的两个前代 DeepSeek-V4-Pro 和 DeepSeek-V4-Flash。所有测量都在最大推理强度下完成。

推理方面，V4.1-Flash 在 GPQA Diamond 上得 90.9 分。对手略高一些：GPT-5.6 Sol 94.1，Opus-5.0 93.4，K3 92.9，GLM-5.3 只有 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）。

到了代理任务，局面翻转

代理任务里形势反过来。在 Terminal-Bench 2.1 上，V4.1-Flash 拿到 90.6 分，是整张表里最高的，排在 Opus-5.0（89.1）、GPT-5.6 Sol（88.8）、K3（88.3）和 GLM-5.3（88.2）之前。DeepSWE v1.1 衡量的是真实编程任务的求解能力，该模型得 74.2，Opus-5.0 为 74.0，GPT-5.6 Sol 为 73.0，K3 为 67.5，GLM-5.3 为 66.9。

更新的测试版本给出更严峻的画面。在 Terminal-Bench 3.0 上，该模型为 30.0 分，Opus-5.0 为 43.3，GPT-5.6 Sol 为 34.4。在 Terminal-Bench 4.0 上，该模型为 31.2，Opus-5.0 为 51.8，GPT-5.6 Sol 为 39.9。这两个测试集更难，美国模型的领先很明显，达到十几分。

运行框架能让成绩差出 8 分

DeepSeek 还公布了 V4.1-Flash 在不同代理脚手架下的结果。在 DeepSWE v1.1 上，同一个模型在 mini-SWE 框架下得 74.2，DSH Minimal 下 72.6，DSH Standard 下 70.5，DSH PTC 下 67.6。外部框架下，Claude Code 为 69.8，Pi 为 66.2，Codex 为 65.6，OpenCode 为 65.5。权重完全相同，差距却接近 9 分。今天决定代理成绩的不只是模型，还有包裹它的那一层。

其他类别中，V4.1-Flash 在 CyberGym 上得 88.1 分，在 AutomationBench 上得 54.8 分，带工具时在 HLE 上得 63.9 分。同一张表还显示家族内部存在明显的代际跃升。在 Terminal-Bench 4.0 上，DeepSeek-V4-Pro 为 12.4 分，V4-Flash 为 7.0 分。V4.1-Flash 把这一成绩提到 31.2，超过两倍，而输入侧只有 80 亿活跃参数。

独立机构 Artificial Analysis 对同一模型报告了两种模式：最大推理模式下智能指数为 39，无推理模式下指数为 25。两套方法完全不同，并列在一起说明单个排行榜需要谨慎阅读。