策略

0.017 美元的智能体：DeepSeek 的 1017 快照在不降价的前提下降低任务成本

作者：IdeaBosque Engineering最后更新：2026年10月18日

核心要点

2026 年 10 月 17 日，DeepSeek 将 deepseek-flash 名称背后的模型升级为 V4.1-Flash-1017,调用方法与所有牌价保持不变 — 一次同名快照发布(DeepSeek 更新日志)。稳定别名之下的模型动了，账单上的价格表没有。
Terminal-Bench 4.0 五周内从 31.2 跳到 42.3(+11.1),DeepSWE 达 77.0,Automation-Bench 60.5,Agents' Last Exam 35.4——在 Hugging Face 对比卡上均高于 Claude Opus 5(Hugging Face)。
Opus 5 仍在 Terminal-Bench 4.0(51.8 对 42.3)、HLE 无工具(56.3 对 42.6)、NL2Repo-Bench(75.3 对 68.2)与 ProgramBench(37.0 对 29.1)上领先——诚实的解读是：这是智能体执行档位的领先，不是全面前沿冠军。
官方端点 91.5% 的缓存命中率使实际支付的输入价格接近每百万 token 0.017 美元(OpenRouter 加权平均，聚合器编译)——按 DeepSeek 的费率，一次缓存命中的成本是一次未命中的 2%(DeepSeek 定价;Local AI Zone)。
同一发布以每 1,000 次调用 0.75 美元的价格开放 Search & Fetch,并披露其搜索引擎会过滤"SEO 垃圾、GEO 操纵与低质 AIGC"——这是一条平台政策声明，发布在产品自己的更新日志里(DeepSeek 更新日志)。

2026 年 10 月 17 日，DeepSeek 更换了 deepseek-flash 名称背后的模型，却没动任何牌价。这一组合——新权重、旧价格——正悄然成为智能体推理中最强的成本杠杆。在 Hugging Face 基准卡上，DeepSeek-V4.1-Flash-1017 把 Terminal-Bench 4.0 从 31.2 提到 42.3(+11.1),在 DeepSWE 拿到 77.0、Automation-Bench 拿到 60.5——均高于 Claude Opus 5——并以更短输出、更快速度完成任务。DeepSeek 的更新日志称其为"多个 harness 上的新性价比帕累托最优"。真正带钱的部分不是那张基准表：官方端点报告 91.5% 的缓存命中率，在缓存密集型工作负载下，这把实际支付的输入价格压到接近每百万 token 0.017 美元。本文梳理这次发布交付了什么、缓存算术对一个常开智能体账单意味着什么，以及你的团队可以控制哪些杠杆。

本文承接此前两篇报告。推理经济学：为什么常开的生产智能体现在用得起记录了每 token 成本的坍缩与 10:1 的集成-模型支出比。DeepSeek V4.1-Flash 与无声的模型替换记录了 9 月的自动路由事件——一次约 45 小时内宣布又撤回的强制 V4-Pro→Flash 替换。1017 快照是第三幕，性质不同：没有降价、没有强制路由，只是同一个端点名称悄悄换上了更好、运行更便宜的检查点。本文聚焦这类发布的机制，以及决定它是否真正降低你账单的缓存经济学。

同名新模型：快照如何落地

DeepSeek 的10 月 17 日更新日志是一段两段式的记录。"DeepSeek V4.1 Flash 已升级至 DeepSeek-V4.1-Flash-1017……API 调用方式与定价保持不变——直接使用 deepseek-flash 即可访问最新模型。"旧别名继续路由，网站与应用就地更新,四位数字后缀记录了日期。集成层面什么都没变;变的是它背后的东西。

这是六周内的第三种发布惯例。9 月 10 日发布了一个带名字的新档位，拥有独立价格，外加一个(宣布后又撤回的)把所有 deepseek-v4-pro 流量自动路由过去的计划——生产风险在于知情同意。约 45 小时后的回撤完全来自用户压力：DeepSeek 自己的更新日志声明，V4-Pro 服务在 9 月 14 日之后继续，"计费方式保持不变"。10 月 17 日则是一次快照：不降价、不改路由，一次默认落在稳定别名之下的升级。

这里的问题不是知情同意——快照是价格不动条件下的无歧义改进，而且 Hugging Face 当天就发布了 MIT 许可的权重，提供 1M token 上下文与2,500 并发请求。但行为漂移终归是漂移：名称之下的检查点变了。应对正如模型替换一文所开的处方，只是少了警报——在每次响应上记录实际服务的模型，并在快照升级进入生产前用你自己的评测集做回归测试。你请求过并验证过的升级是升级;在你没留意时顶着稳定名字到达的升级，即便它是一次帕累托改进，也是一次变更事件。

诚实解读基准卡

Hugging Face 卡将 1017 构建版本与 9 月发布版本、Kimi K3、GLM-5.3、GPT-5.6 Sol 及 Claude Opus 5 放在一起比较。官方行中的模式干净地一分为二：

基准	V4.1-Flash(9 月 10 日)	1017	变化	Opus 5	1017 vs Opus 5
DeepSWE v1.1	74.2	77.0	+2.8	74.0	高于
Automation-Bench v1.0.6	54.8	60.5	+5.7	50.3	高于
Agents' Last Exam	31.8	35.4	+3.6	28.6	高于
Apex Bench v1.1	64.6	72.1	+7.5	65.8	高于
Terminal-Bench 4.0	31.2	42.3	+11.1	51.8	低于
HLE 无工具	36.8	42.6	+5.8	56.3	低于
NL2Repo-Bench	65.4	68.2	+2.8	75.3	低于
ProgramBench	20.3	29.1	+8.8	37.0	低于

1017 模型在智能体执行类基准上登顶：DeepSWE 以 77.0 对 Opus 5 的 74.0(GPT-5.6 Sol 73.0、K3 67.5、GLM-5.3 66.9),Automation-Bench、Agents' Last Exam 与 Apex Bench。它在 Terminal-Bench 4.0、HLE 无工具、NL2Repo-Bench 与 ProgramBench 上仍落后于 Opus 5——所以全面前沿的故事没有移动。读卡，不要读帖子标题：社区帖子把这次发布框成"现在领先所有开放权重模型",把一个分档结果压平成了一个平面结论。卡上的脚注同样重要——Terminal-Bench 4.0 跑在 Claude Code 框架上，DeepSWE 跑在 Mini-SWE-V2 上，所以 harness 的选择也是本页每个数字的一部分。

对成本最重要的变化不是一项基准分数。DeepSeek 的更新日志说明，输出长度与任务运行时间随改进一并缩短——"使用户以更低的成本和更高的速度完成任务"。每任务更少的输出 token 与更少的重试直接削账单，而价格未动。发布帖中的 DeepSWE 每任务成本图以视觉方式表达了同一点：pass@1 分数对每任务成本作图，而不是对每 token 价格作图。

91.5% 的缓存命中率才是真正的价目表

DeepSeek 的 Flash 档费率卡没有变化：未命中输入非高峰 $0.15/百万 token、高峰 $0.30;缓存命中输入非高峰 $0.003、高峰 $0.006;输出 $0.60/$1.20。一个被缓存的输入 token 的成本是一个未缓存 token 的 2%——在两个时段都低于未命中价 89.7%。非高峰到处都是高峰价的一半，而且每个周末小时、每个中国法定假日都算非高峰——一个大多数团队从未拉动的排程杠杆。

变化的是命中频率。一份对官方端点 OpenRouter 数据的汇编报告了 91.5% 的缓存命中率,使实际支付的加权输入价格接近每百万 token 0.017 美元(Local AI Zone,聚合器汇总——把这一数字当作一个端点的观察值，而非保证)。算术与费率卡核对一致：按 91.5%,实际输入落在非高峰 $0.0155、高峰 $0.031(0.915 × 命中 + 0.085 × 未命中),聚合器的全时段加权值落在这个区间内。按此有效费率，一个每月输送十亿输入 token 的生产智能体——长上下文每轮都要重读，这正是智能体循环的常态——在非高峰时段支付约 $15.49,而纯未命中价格将为 $150.00:一个 10 倍的降幅，却从未以"降价"的名目出现。

三个诚实的限定条件约束这一结论。91.5% 的命中率专属于官方端点及其流量构成——缓存命中率随供应商以及工作负载复用上下文的方式而变。它与工作负载相关：每一步都重写 prompt 前缀的工作流赢得不了多少命中，无论该端点的均值是多少。而且它是一种观察，不是 SLA——DeepSeek 记录的是价格，不是命中率。结论在经过这三重限定后依然成立：对缓存密集的智能体流量，有效输入价格是你如何组织上下文的函数，而不只是你选择哪个模型的函数。

正因如此，这次发布应读作一次缓存经济学事件，而不是一次降价。Claude Haiku 5.5 的子智能体档以 $0.10 定价(10 月 7 日),直接坍缩了每 token 成本;Sonnet 5.5 的发布则表明，当 token 计数膨胀 7 倍时，便宜的单 token 仍可能意味着昂贵的单任务(效率陷阱)。DeepSeek 的 1017 快照攻的是另一半：同样的 token 价格、更短的输出、更快的完成——以及一个把智能体流量天然存在的上下文复用转化为一整个数量级输入折扣的服务层。只逛价目表的团队会错过第二个机制。

下面的一分钟说明把这次发布放到了一页上：

Search and Fetch:同一次发布为智能体的网络访问定价

快照的另一半是基础设施。DeepSeek 的更新日志把其自研 Search and Fetch API 以每个端点 0.75 美元/1,000 次成功调用的价格向所有人开放——搜索结果附带权威性与新鲜度评分,fetch 返回 Markdown 格式的页面内容。在 DeepSeek Harness、Claude Code 与 Codex 中经服务端工具发起的调用免费，计费自 2026 年 10 月 31 日 16:00 UTC(北京时间 11 月 1 日 00:00)开始。在公开的"每天数以亿计的搜索请求"与"数千亿网页索引"规模下，这是商品价格身后的真正引擎。

更新日志的这段话里，有一份对每个为 AI 引用面做优化的人都值得归档的披露：DeepSeek 声明其搜索引擎以严格的检测机制"过滤 SEO 垃圾、GEO 操纵与低质 AIGC,确保为用户与 LLM 提供权威可信的信息"(更新日志，10 月 17 日)。把它读作买方政策，而非厂商的客套：一个同时服务自家与第三方智能体的主要实验室，现在把生成式引擎优化(GEO)操纵公开标注为一类被过滤的缺陷。当喂给模型答案的那一层把 GEO 技巧当垃圾过滤，持久的引用策略就仍是这个站一直以来的那条——一手来源、可验证的数字、生成器可以直接引用的文字——而不是瞄准检索层的小聪明。

你的团队能控制的四个杠杆

模型侧的这次发布对每个团队都可用;但只有工作负载配合，经济性才会动：

以 token 前缀稳定性为目标设计 prompt。 缓存命中靠逐字节相同的上下文复用赢得：稳定的指令、schema 与检索到的文档放在易变内容之前，每一步都不重写前缀。91.5% 的命中率是缓存友好的流量构成所能达到的水平;逐步改写前缀的智能体够不着。
在每次响应上记录实际服务的模型。 deepseek-flash 别名如今提供的检查点与上周不同。记录真实的模型版本——而不是请求的名称——让审计线索在快照漂移中幸存，并让后备路由层保持待命(模型替换一文)。
用你自己的评测集对快照做回归测试。 Hugging Face 上的 MIT 权重让每个快照都可复现：固定你验证过的检查点，把你的工具调用与输出格式测试跑在新检查点上，并按你的日历——而不是厂商的——晋升。
按每任务成本路由，而不是牌价。 测量每完成任务的输出 token 以及缓存折后输入价。低牌价但命中率低的模型会输给牌价更高、服务层缓存你上下文的模型(每任务成本算术)。

一个代表性构建

一家中型分销商运营着一个 7×24 的报价准备智能体，每周 200 份 RFQ。其工作流在每个 RFQ 上重读供应商目录与报价规则上下文——正是缓存为这种访问模式而建。该构建使用一个 MCP 模块承担 ERP 与目录层，A2A 委托给供应商报价智能体，再用一个路由层固定 deepseek-flash、在每个调用上记录实际服务的检查点，并在每次快照晋升前跑报价格式回归套件。结构化上下文与稳定前缀把缓存命中率推向官方端点观察值的区间——这让 ~$0.017/1M 的实际输入成为现实而非宣传数字——1017 快照更短的输出与更少的重试再在其上压低每份完成报价的成本。

申请一次范围明确的构建。 一周调研：系统清单、工作流图与固定范围——无论你是否与我们共建。