DeepSeek V4.1 Flash 跑分出炉：ARC-AGI 双榜提升，成本也跟着涨 2.5 倍

ARC Prize 近日公布了 DeepSeek V4.1 Flash 在 ARC-AGI 官方榜单上的成绩，先看两条核心数据：在 ARC-AGI-1（Verified）上拿到

94.5%，在 ARC-AGI-2（Verified）上拿到

72.9%。

对照上一代 V4 Flash 的最佳成绩，V4.1 Flash 在 ARC-AGI-1 高出

5.5 个百分点，在 ARC-AGI-2 高出

11.5 个百分点，难度更高的 ARC-AGI-2 涨幅更明显，这意味着新版本在多步推理和复杂模式迁移上确实有提升。

不过代价也摆在账单上：ARC-AGI-2 单任务成本约 0.13 美元，ARC-AGI-1 单任务成本约 0.07 美元，整体推理成本比 V4 Flash 高出大约 250%。同一个模型，能力更强了，钱也花得更多了。

为什么 ARC-AGI 这个榜单值得看

|ARN ARC-AGI 由前谷歌研究者 François Chollet 推动，主打“衡量模型是否真正具备通用推理能力”，题目是抽象的网格模式变换，不靠记忆和刷题就能推导出规则。它的目标是测试模型是否会“解决问题”，而不是会不会“复述答案”。

对国内做小模型、轻量推理的人来说，ARC-AGI 一直是一面干净的镜子：题目公开、数据量小、规则透明，任何人都能本地复现，分数高就值得研究，分数低也别找借口。

数字背后的取舍：能力涨了，成本怎么算

把 V4.1 Flash 放到企业场景里看更直观。假设一个文档解析产品每天要跑 10 万个 ARC-AGI-2 风格的逻辑题，从 V4 Flash 切到 V4.1 Flash，单任务成本 2.5 倍上涨，意味着日账单会出现明显跃迁。

但换来的 11.5 分提升，意味着更少的“答错返工”。如果人工复核成本很高，一次答对的边际收益可能超过 0.06 美元的单价上涨。这才是开发者真正要在意的地方：能力成本比。

对个人开发者和学生用户来说，更敏感的是 API 价格。DeepSeek 一直以低价出牌，这次成本上升也是一个信号：免费午餐已经吃完，下一代模型会进入“能力-成本”的精细博弈。

对开发者、创作者和企业用户的影响

对独立开发者，V4.1 Flash 仍然适合做需要推理能力的小工具，例如自动化测试用例生成、数据校对、教学辅助，但要把成本估算写进产品的财务模型，不要默认按上一代定价。

对内容创作者，V4.1 Flash 的意义更多在参考：Flash 系列代表“轻量+推理”的折中路线，它能让本地 7B 到 14B 量级的应用覆盖更难的逻辑题目，创作者可以把它当作推理能力的上限参考。

对企业用户，这次升级提醒一件事：升级模型不能只看榜单，要看自己的任务结构。如果业务里 80% 是简单问答、模板填充，V4 Flash 可能更划算；如果是合同审阅、代码重构、复杂规划，那 V4.1 Flash 的提升值得做小规模 A/B 测试。

中文用户应该关注什么

第一，用中文任务测一遍 ARC-AGI 风格的题目。排行榜是英文网格题，落到中文场景里，能力衰减幅度自己才知道。第二，留意 DeepSeek 是否会发布专门针对 Flash 的部署工具或蒸馏版本，本地玩家最关心能不能用低成本硬件跑起来。

第三，关注 DeepSeek 的 API 价格表是否同步调整，成本数据决定它能不能继续当国内小团队的默认模型。

这次升级的关键判断很简单：V4.1 Flash 是一份“能力变强、价格上涨”的答卷，值不值得换模型，取决于你更在乎推理质量，还是更在乎预算下限。

后续可以观察的点

|ARN ARC Prize 在 2025 年底前还要公布更多模型成绩，V4.1 Flash 的位置是“更高、更贵”，后面看的是谁能在不显著提高成本的前提下接近这个分数。同时关注 DeepSeek 是否同步放出更长上下文、更低延迟或本地化部署版本，这些都是中文开发者真正能吃到嘴里的升级。