跳到正文
DEV Community· boluo·· 9 小時前精選AI 評分76

DeepSeek V4.1 Flash 1017 的 Agent 管線遷移指南

DeepSeek V4.1 Flash 1017: a migration runbook for agent pipelines

AI 導讀

作者整理 DeepSeek V4.1 Flash 1017 的 Agent 管線遷移指南,指出 deepseek-flash alias 已指向新 build,端點、模型名稱和價格未變,但 thinking 預設開啟、reasoning_effort 預設為 high。

推薦理由

文章把 thinking 預設開啟、工具回合須完整保留 assistant message 等遷移風險整理成檢查清單,並區分作者實測與轉述數據,方便判斷各項調整依據。

正文 · 繁體中文

DeepSeek V4.1 Flash 1017 — wire it in without surprises

AI 聲明:我在自己的指示下藉助 AI 起草本文。以下測量結果由我自行取得;所有第三方數字均在文中標明來源。

10月17日,DeepSeek 將 deepseek-flash 別名指向 V4.1-Flash-1017 版本。端點沒有改變。模型名稱沒有改變。價格沒有改變。這意味着不會觸發警示,記錄中亦不會出現錯誤——但你發出的請求已不再是你測試過的那個請求。

具體原因:思考模式預設為開啟,而 reasoning_effort 預設為 high。如果你的程式碼從未設定 thinking,就會在不知情下沿用這個設定。

這篇文章是我在讓現有 Agent 流程使用新版本前會執行的遷移清單。內容刻意少講背景,多講「先檢查這項,再檢查那項」。

症狀 → 原因 → 修正

如果已經出現問題,請由這裏開始。

你觀察到的情況 可能原因 要作出的修改
無人通知版本升級後,帳單或延遲突然增加 缺少 thinking 欄位 → 預設為 on + high 每次呼叫都明確傳送這個旗標
使用工具的循環在第二輪回應時傳回 400 沒有回傳 reasoning_content 附上完整的 assistant 訊息
提示詞沒有改變,但格式規則不再獲遵守 思考模式下會忽略 temperature 在輸出端驗證或重試
評分與已公佈的基準測試不符 基準測試使用 max,你的程式碼則使用 high 以相同的推理力度作比較
已設定模型名稱,但品質和成本有所不同 Anthropic 相容路徑中的模型名稱對應 在用量資料中查看計費所用的模型

第一行和第三行由我親自核實;其餘內容來自下文列出的官方文件和公開報告。

步驟 1 — 固定思考旗標

DeepSeek 思考模式文件中有三項重要資訊:

  • 思考模式預設為開啟,推理力度預設為 high。
  • 只有 low、high 和 max 是有效級別。minimal 對應 low;medium、high 和 xhigh 全部對應 high;max 和 ultra 對應 max。如果你一直把 medium 和 high 當作兩種實驗,它們其實是同一種實驗。
  • low 並非 off。要關閉,必須設定 {"type":"disabled"}。

我在自己使用的端點(Crazyrouter,兼容 OpenAI,模型 deepseek-v4.1-flash)核實了預設值:18 次請求沒有設定 thinking 欄位,其中 17 次回傳 reasoning_content。low、high 和 max 均正常回應;不存在的值則回傳 400。

實際上,這是一項成本很低的改進。任何短小而具確定性的任務佇列——分類、擷取、格式轉換——都應明確關閉思考模式,而不是在不知情下使用 high。

步驟 2 — 以實測決定推理力度,而非憑名氣

值得參考的公開數據是 Bug Hunt Bench:在兩個真實程式碼庫中植入 105 個錯誤,單次搜尋並修復,按未公開的答案評分,透過 Claude Code 執行,每個設定有 5–7 個樣本。

105 個錯誤中修復的數目:

  • low:34.4
  • high:36.4
  • max:39.1

相對於 low 的成本:

  • low:1×
  • high:約 1.15×
  • max:約 1.42×

真正應該影響你制定政策的數字,不是相差 4.7 個錯誤,而是結果的變異:作者自己最初三次 max 測試的得分分別是 34、37 和 45。同一設定下的分數差距,大於不同設定之間的差距。單次測試無法告訴你 max 更好——只能告訴你那一次的結果。

DeepSeek 的建議是:簡單任務用 low,一般 Agent 工作用 high,複雜工作用 max。值得留意的一點是,9 月的發布説明指出,程式碼 Agent 基準測試是在 max 下執行,並設置 top_p 0.95 和 temperature 1.0;而 1017 更新日誌沒有再次説明該設定值。這最有可能解釋為何你的 high 數據比摘要表中的結果差。

步驟 3 — 修正工具呼叫迴圈

這是會造成嚴重故障,而非效能輕微下降的問題。

當請求包含 tools 時,之後每個請求都必須完整傳回 reasoning_content。根據文件説明,否則會收到 400 錯誤。安全的做法不是逐個欄位重建訊息,而是保留整個 assistant 訊息,並原樣附加。使用 OpenAI SDK 時,response.choices[0].message 已包含 content、reasoning_content 和 tool_calls;請直接附加該物件,而不是手動建立只包含部分欄位的物件。無論使用 SDK 還是原始 HTTP,規則都一樣:把訊息篩選至只剩 content 和 tool_calls,正是這個錯誤。

補充一點我自己的測試結果:我在 Crazyrouter 上測試第二輪時,刻意省略了 reasoning_content,沒有收到錯誤,只得到一般回答。這與文件所述行為不符,可能表示中繼轉發層比上游 API 更寬鬆。請按文件所述的合約編寫程式;不能假設寬鬆的轉發層一定會一直如此。

步驟 4 — 別再信任 temperature

在 thinking mode 中,temperature、presence_penalty 和 frequency_penalty 都會被接受,然後忽略。top_p 是唯一仍然有效的採樣控制項,而且只適用於 0.95–1.0。

如果你的流程目前設定 temperature=0 來穩定輸出結構,這項保證已不復存在。請改由驗證層確保結果符合要求:解析回應、檢查結構描述,並在失敗時重試。一份公開彙整報告指出,有一項寫作任務在開啟 thinking 的情況下重測五次,只有兩次符合指定的 emoji、標籤數量和字數規則;這與我預期的情況一致:採樣設定不再起作用後,結果便會如此。

我沒有獨立重現這個五次測試的數據;請把它視為轉述的數據點。

步驟 5 — 確認實際回應的是哪個模型

如果你透過官方的 Anthropic 相容端點使用 DeepSeek,除非明確設定模型變數,否則以 claude-opus 開頭的模型名稱會映射至 V4 Pro,並按該模型收費。在同一份 Bug Hunt 數據中,V4 Pro 修復了 105 項中的 16 項,而 1017 修復了 39.1 項——因此,這種無提示的映射會令結果更差,價格更高。

只需做一項簡單核對:開啟用量明細,查看收費所用的模型。如果不是你原本打算使用的模型,這份操作指南的其他部分暫時都不重要。

額外投入實際換來甚麼

時間只佔一半成本;輸出量則佔另一半。

我用完全相同的單行提示詞生成了三個單檔網頁,各生成一次關閉 thinking 和開啟 thinking 的版本:

賽車遊戲

  • 關閉:7,704 tokens,39.6s
  • 開啟:21,155 tokens,100.2s,首個 token 出現在 48.8s

咖啡店儀錶板

  • 關閉:6,514 tokens,28.1s
  • 開啟:27,050 tokens,163.8s,首個 token 出現在 127.8s

森林至城市 3D 場景

  • 關閉:6,599 tokens,31.2s
  • 開啟:20,554 tokens,137.1s,首個 token 出現在 116.2s

開啟 thinking 後,輸出 token 數是關閉時的 2.7× 至 4.2×。

The racing game with thinking off: top-down, three lanes

The racing game with thinking on: pseudo-3D road from behind the car

品質上的差異是結構性的,而非表面上的。遊戲由平面俯視賽道改為後視角道路,加入夕陽和速度計。儀錶板移除了四個外部依賴項——chart.js、echarts、FontAwesome、Google Fonts——改用內嵌 SVG。3D 場景加入時間軸和播放/暫停控制,並在約 24 秒內由森林場景動畫轉換至亮燈的城市場景。

六個頁面均順利開啟,沒有主控台錯誤。兩個 3D 場景都會經由網絡載入 three.js;這與推理無關。

執行框架如何影響答案

同一模型,不同執行框架,數字不同。以下數據來自同一次基準測試:

修復的錯誤(共 105 項)、相對於 Claude Code 的成本、實際耗時:

  • DeepSeek Harness:42.7,約 1.8×,62 分鐘
  • Pi:42.2,約 0.8×,54 分鐘
  • Claude Code:39.1,1×,58 分鐘
  • OpenCode:37.6,約 0.95×,56 分鐘
  • Claude Code 中較早的 V4.1 Flash:21.7,約 0.77×,56 分鐘

有兩點值得據此採取行動。單是版本升級已帶來很大提升——在同一執行框架中由 21.7 升至 39.1——所以無須更換框架也能受惠。最高分數伴隨最高費用,因為 DeepSeek Harness 會啟動子代理並輸出更多 token。

執行框架也會改變分數本身。在 Terminal-Bench 4.0 上,DeepSeek 自家的 Claude Code 測試得分為 42.3;Vals AI 只使用 bash 的 mini-swe-agent 得分為 31.82。同一模型,分數相差十分。切勿跨執行框架比較。

兩項值得留意但我無法核實的報告

兩項報告都來自一篇轉述他人測試結果的中國彙整文章,因此我只把它們當作線索轉述,而非證據。

Agent 的行為變得更保守。 karminski 在 10 月 24 日進行測試後表示,新版本遇到需要付出成本的步驟時,往往會跳過該步驟。這與上一代 flash 的行為不同;如果你運行自訂循環,就需要另行進行適配。他的影片中有詳情;我只看過他的貼文。

「輸出較短」是指每項已完成任務,而非每次請求。同一篇彙整文章轉述一名開發者的測試:他重新執行完全相同的提示詞,新版本輸出了 456k tokens,舊版本則為 227k,因為新版本不斷擷取螢幕截圖並反覆迭代。在相信任何一方的説法前,請先以自己的工作負載進行測量。

檢查清單

  1. 每次呼叫都明確傳入 thinking。任務可在數秒內完成時設為 Off;日常使用設為 high;只有在多次測量確認有提升時,才使用 max。
  2. 使用工具時,保留完整的 assistant 訊息。
  3. 刪除任何認為 temperature 會控制輸出格式的假設。
  4. 在輸出端驗證結構,而非在提示詞中。
  5. 查看用量頁面,確認實際計費的模型。
  6. 在相信任何已發佈數字前,先為每條流程固定參數,重新執行一項真實任務。

存取檢查

我測試的接入路徑採用 OpenAI 相容格式:

https://api.crazyrouter.com/v1

模型名稱是 deepseek-v4.1-flash。接入前,值得先確認 Crazyrouter 目錄中有此項目;較完整的Crazyrouter 模型目錄亦列出其他相關模型。

以上內容有一項限制:名為 deepseek-v4.1-flash 的 Crazyrouter 項目沒有説明它提供哪個權重版本,因此我不能聲稱這些測試使用的是 1017 版本。我的數字只適用於「這個模型名稱、這個轉接服務、這一週」。第三方數字均在出現處標明來源,而我沒有獨立重現這些測試。

來源

  • DeepSeek,API 文件,「Thinking Mode」(於 19 November 2026 閲讀)
  • DeepSeek,變更記錄項目,17 October 2026
  • DeepSeek,發布説明,2026年9月10日(V4.1 Flash)
  • peng,〈DeepSeek V4.1 Flash 1017 with Claude Code: config, pricing and four cost settings〉,2026年10月26日 — 轉述 Paweł Huryn 公開的 Bug Hunt Bench 結果
  • karminski(@karminski3),關於 DeepSeek-V4.1-Flash-1017 的貼文,X,2026年10月24日
  • SMZDM,〈DeepSeek V4.1 Flash-1017:提示詞調適及相容性説明〉,2026年10月19日

來源:DEV Community · dev.to