10 月 19 日，DeepSeek V4.1 Flash 1017 在 Artificial Analysis 上是 45 分，開放權重第二。11 月 2 日，同一顆模型在榜上是 29 分（high），max 則是 32.5。

權重沒換，checkpoint 沒動。變的是尺。

10 月 27 日 AA 發布 Intelligence Index v5，官方講得很白：v5 的分數跟 v4.3、v4.3.2 是不同尺度，不能互相比。所以 45 到 29 是重算，不是退步。剩下的問題只有一個：新尺量的是什麼，為什麼它掉得比別人多。

新尺量的是「做完」，不是「答對」

v5 用九個評測，切成四塊各佔 25%。知識工作是 AA-Briefcase 15%、AutomationBench-AA 5%、GDP.pdf 5%；程式是 FrontierCode 2.0 15%、Terminal-Bench 4.0 10%；科學是 Terminal-Bench-Science 15%、CritPt v2 硬子集 10%；一般知識是 AA-Omniscience v1.1 15%、HLE-Diamond 10%。

同時砍掉三項：GDPval-AA v2.1、SciCode、AA-LCR v1.1。

兩個數字說明方向。私測集或保留答案的比例從 45% 拉到 60%，考題藏在開發者看不到的地方。每題輸出 token 的中位數從三萬五千顆跳到五萬九千顆，多了三分之二，因為題目要模型自己動手、反覆試。

答對一題，變成一題做完。這是 v5 唯一需要記住的一句話。

它掉在兩科，而那兩科佔 25% 權重

Terminal-Bench-Science 是七十個專家設計與審核的研究流程任務，在終端機裡跑，一題裡任何一個測試沒過就是零分。GPT-6 Astra 63%、Opus 5.5 59%、Sol 58%。Kimi K3.1 Pro 34%，是開源最高的。DeepSeek 1017 是 13%，而多數被測的開源模型低於 10%。

FrontierCode 2.0 是 Cognition 的私測，132 個真實開源 repo 的任務，評分標準是維護者會不會 merge 你的改動，每題跑三次。Opus 5.5 46% 領先，DeepSeek 1017 是 28%，開源裡最高，落後 18 分。

兩科合計 25% 的權重，它只拿到四分之一。而它原本拿分的 SciCode 與 GDPval 已經不在考卷上。

同一段時間，Carbon 從 59 到 59.4，幾乎沒動；Kimi 從 55 掉到 46。差距就是這樣拉開的。v4.3 時代閉源與開源差 3 分，v5 是 12 分。

廠商表上的 42.3 分也沒有錯

DeepSeek 自家 changelog 寫著，1017 的 Terminal-Bench 4.0 是 42.3%，九月版是 31.2%。這個數字是真的，只是量的東西不同。

它跑在 Claude Code 的框架裡，AA 用自家的 Stirrup。它報的是單一考卷，AA 給的是九張考卷的加權平均，其中一張 FrontierCode 2.0 它沒考過。

所以 42.3 和 29 可以同時成立。一個是「這張考卷我考幾分」，一個是「你要的九張裡我平均幾分」。

對實際使用意味著什麼

先看它到底能不能用。10 月 19 日那篇海洋的 25KB 單檔，512×512 FFT 海面、18 個 compute dispatch、60 fps，就是這顆模型寫的，494 次呼叫、77.5 萬輸出 token。那是單一任務、長輸出、工具用得少，正好是它還站得住的地方。

要它自己跑多步、自己驗證、自己修，29 分會露出來。
解法兩個：把 effort 拉到 max（32.5 分），或換手。
Carbon 59.4 一題 7.76 美元，Kimi 46 分一題 3.68 美元，1017 一題 0.60 美元。

價格要看人民幣原價。
Flash 每百萬 token：快取命中 0.02 元（空閒）與 0.04 元（高峰），未命中 1 元與 2 元，輸出 4 元與 8 元。
北京時間週一到週五 9 到 12 點、14 到 18 點算高峰，其餘時段與週末半價。
Search 與 Fetch 是另外兩支 API，每 1,000 次成功請求各 5 元，11 月 1 日起對 Harness、Claude Code、Codex 裡的 server 端呼叫收費。

還有一個同一家內部的對照：V4 Pro 0813 在榜上是 23 分，比 Flash 1017 的 32 分低 9 分，每題 1.77 美元、速度 94 token/s、併發上限 500、不支援圖像。
旗艦停在八月，分數、價錢、速度三樣都輸給副將。

結論

• 45 到 29 不是能力掉了，是考卷換了：從答得對改成做得完，私測比例從 45% 拉到 60%，每題工作量多了三分之二。

• 它掉在兩科：Terminal-Bench-Science 13%、FrontierCode 2.0 28%，合計 25% 權重；被砍掉的三科原本是它的強項。掉 12.5 分是結構造成的。

• 用法要對上分數：單一長輸出它夠用，一題 0.60 美元；多步自我驗證就換 max 或換手，成本三到十三倍。分數是別人的考卷，帳單是自己的。

排行榜每換一次尺就熱鬧一次。熱鬧的是名次，不變的是那條線：能不能自己動手把事做完。v5 把這條線量出來了，量出來的結果對小模型不太好看，對你的帳單倒是很清楚。

౨ৎ Anthony 不負責任編輯 ~