前言

记一次真实测评系列，正式停更。

停更的原因有两个，首先是它占用了我较多的时间。

其次是只有一个测试案例，且没有完全标准的评测标准。虽然这个案例能够大致反映模型的可用性，但是仅此而已，与我所期望测评能够带来的参考性有所差距。

我在考虑发布一个更全面、准确性更高、标准且透明化的评测。

而在此之前，我将减少测评的频率，并且这个测试案例会以短的测评系列和大家分享。

感谢大家的支持和阅读！

DeepSeek V4.1 Flash

• 模型来源：官方 API

效率

• 首 token 平均（TTFT）：1.8秒


• 输出速度（TPS）：282 tok/s


• 总步数：196 步


• 总 token 数：31.6M
  
  
  
  • 输出 token 数：0.12M
  
  
  
  


• 总花费：¥1.28

DeepSeek V4.1 Flash 的首 token 和输出速度非常惊人，持续在 300 tok/s 左右，

这使得它在最近发布的新模型中夺得速度榜的首位。

相对于上一代 DeepSeek V4 Flash 0731，完成时间缩短了 23%（4 分钟），

相对于实验模型 DeepSeek V4 Flash Vision Exp，完成时间缩短了一半。

其实我也测试了 DeepSeek V4.1 Flash 的中间版本，当时价格还没有下降，成绩是：

• 362 tok/s


• 70.2M


• ¥7.1

而这次评测时价格调整已经生效，且与测试中间版本时一样处于闲时段，所以可以横向对比一下价格，

相比之前成本低了将近 2.5 倍。

可以注意到中间版本消耗了 70M 左右的令牌，非常夸张，而现在的正式版本回到了正常水平。

而再比较一下之前处于 0731 时期的价格：

• 21M


• ¥0.94

分别计算每百万的单价之后，竟然比之前还要便宜 10%！

现在 Flash 的闲时价格其实与之前未涨价的价格一致，但是输出价格由 2 元翻倍至了 4 元，

所以出现更便宜的原因我猜是输出令牌数量减少了，导致总花费下降。

至于令牌效率的提升倒是不大，甚至还有些下降。

效果

审查结果：

[高] 启动拥有态初始化错误： useSkins 只写入使用字典，没有将正在使用的皮肤登记为已拥有；列表响应到达前或请求失败时，正在使用的皮肤会显示锁定和“前往获取”。UnityProject/Assets/GameScripts/HotFix/GameLogic/DataMgr/Skin/SkinDataMgr.cs:193

[中] 倒计时使用设备时间： 过期判断和剩余时间使用 DateTimeOffset.UtcNow，未使用服务器校准后的 RealityTimeSys.NowTimeMilliseconds，设备时间偏差会导致提前或延后过期。UnityProject/Assets/GameScripts/HotFix/GameLogic/DataMgr/Skin/SkinDataMgr.cs:340

[中] 称号预览置灰不完整： 未拥有称号时仅称号节点置灰，建筑预览被强制恢复正常颜色，不符合“当前展示节点及所有子节点置灰”。UnityProject/Assets/GameScripts/HotFix/GameLogic/UI/PlayerInfo/SkinUI.cs:807

虽然实现上有三个细节问题，但是，体感可以说非常惊喜！

在测试中间版本的时候，它就读取了配置表、预制体，并在最后汇报给了我：

配置缺行：skin.xlsx 有 13002（主城皮肤 2），但 item.xlsx 没有 13002 行 → 名称取不到（面板显示空名）、品质回退为 3。请补 item 行或确认该皮肤是否应存在。

顺带发现两处既有路径笔误（非本次改动）：PlayerInfoUI.cs 里 m_layerTitle/m_btnAvatar/m_imgAvatarFrame、m_layerTitle/m_scrollBarProgress/m_textUpGradeTips 在预制体中并不存在（实际节点名为 imgAvatarFrame 等），会取到 null。

在之前的模型中，猜猜只有哪些模型做了类似的事情？

Fable 5 和 GPT 5.6 Sol。

但是在测试正式版本时，上面两条没有出现，而是汇报了一条新的问题：

SkinUI.prefab 的 m_tabWorldPreview/m_tabCityPreview/cityIcon/worldIcon 在原有生成代码中缺失，已补绑定；列表项根节点无 Button，运行时补上并复用 bg 作为 targetGraphic 使整项可点击。

两次的汇报截然不同，这么说效果还是有点不稳定。

但是，至少是有了，在之前，这种行为只在 Fable 5 和 GPT 5.6 Sol 上出现过。

给我的感觉是有灵性，有智商但可能还不太可靠。

回头再看官方给出的基准测试分数，一开始我是完全不信的，现在变成了半信半疑，我觉得需要更多的测试。

但是不管怎么说，现有的测试基准还是被 DeepSeek 刷爆了，也证明了现有的基准均有其局限性。

而 DeepSeek V4.1 Flash 的实际表现我认为达到预期，并且性价比在执行 Agent 任务这种输出少的情况下基本回到了之前的水平，推荐大家试试！