DeepSeek V4.1-Flash 1017 是什麼？
便宜、輕量又開源，中國 AI 實驗室改寫前沿模型的成本規則

OceanAds 設計團隊

2026 年 10 月

9 分鐘閱讀

DeepSeek 開源模型 AI 成本

DeepSeek V4.1-Flash 1017：價格約一折、體積小一截，前沿 AI 的成本規則被改寫了

DeepSeek V4.1-Flash 1017 是中國 AI 實驗室 DeepSeek 剛公開的新模型：在程式開發基準 DeepSWE 拿下約 77% 成功率、每個任務約 0.20 美元，API 輸入每百萬 tokens 0.15 美元、輸出 0.3 美元，還同步釋出 763B 參數的開放權重。它不是全面打贏美國前沿模型，但在「性能 × 價格 × 體積」這三件事同時做到，讓整個 AI 產業的成本算法得重新算一次。

這篇文章整理自一位長期重度使用各家模型的日本開發者，在模型公開當下寫的第一手心得。原文情緒很滿——「世界 AI 霸權的平衡被徹底打破」「週一 AI 概念股恐怕不只是大跌」——我們把激動的部分放一邊，把他點出的四個重點拆開來看：性能、價格、體積、做法。每一個單獨拿出來都夠有話題，四個疊在一起，才是真正讓人坐不住的地方。

定義：前沿模型（frontier model）指當下能力最頂尖的一批大型語言模型，例如 Opus 5.5、GPT-6.1 Sol；SOTA（state of the art）指在某項基準測試上達到目前最佳水準；開放權重（open weights）指模型的參數檔案公開下載，任何人都能在自己的機器上部署，不必透過原廠 API。

發生了什麼事

DeepSeek 公開了 V4.1-Flash 1017。V4.1-Flash 本身不是新模型，之前就已經存在，定位是「便宜、性能還不錯」，在開發者圈子裡算是小有人氣，但沒人會拿它跟最頂尖的模型相比。

這次的 1017 版本不一樣。一個中國實驗室，突然丟出一個在部分項目上追平、甚至超越美國前沿模型的版本，而且價格維持在原本那個「幾乎不用錢」的水準。

一、性能：在 DeepSWE 上贏過 GPT-6.1 Sol

先講清楚：它不是每個領域都超越 Opus 5.5。但就整體表現來說，已經可以放進 SOTA 等級的討論裡。

最讓人驚訝的是 DeepSWE 這項基準，它測的是模型實際修改程式碼、完成開發任務的成功率：

模型	DeepSWE 成功率	每個任務費用
DeepSeek V4.1-Flash 1017	約 77%	約 0.20 美元
GPT-6.1 Sol（最高分設定）	約 75%	約 0.65 美元

換句話說，在這個比較裡，它只花大約三分之一的費用，成功率還稍微高一點。如果你的工作是大量跑程式實作與修正，這個差距會被放大到很可觀。但比省錢更讓人震撼的，是「成功率超過 Sol」這件事本身。

二、價格：說「幾乎免費」太誇張，但真的很接近

API 定價是輸入每百萬 tokens 0.15 美元、輸出每百萬 tokens 0.3 美元。

以「輸入 10 萬 tokens＋輸出 1 萬 tokens」這種常見的開發情境來算，一次大約 0.018 美元，換算新台幣不到 1 元。跟其他模型相比：

比 GPT-6.1 Sol 便宜約 86–93%
比 Opus 5.5 便宜約 93–97%

而且這還不是全部。原作者提到，搭配 DeepSeek 自家的工具鏈使用時，他自己的輸入快取命中率有時高達 99%，被快取的輸入費用更低，實際花費會比上面的數字再少一截。他的體感是：「大概便宜了 200 倍」。這是個人使用經驗，不是官方數據，但方向很清楚。

他還自嘲：以前確實嚷嚷過「給我一個可以像自來水一樣隨便用的 Opus、Fable」，但沒想到真的有人做到這種程度。

三、體積：763B，家裡就跑得動的前沿模型

這麼強的模型，DeepSeek 同時把開放權重免費公開了。參數量 763B，光是權重檔就大約 510.3GB。

這個數字要放在對照裡看才有感覺。美國前沿模型的參數量從未公開，業界傳言動輒 10T 等級；同樣是開源陣營的 Kimi K3 則是 2.8T。763B 相較之下小了好幾倍。

參數量為什麼重要？因為參數越多，每一次推論需要的運算資源與電力就越多，成本自然越高。美國實驗室的做法，是靠握有大量算力硬推過去；DeepSeek 則是讓模型本身變輕。

輕到什麼程度？原作者推估，4 台 DGX Spark，或一台 512GB 記憶體的 Mac Studio，就有機會把它跑起來。不需要誇張的資料中心，前沿等級的模型也能在辦公室甚至家裡運作。實際速度仍取決於量化方式與推論框架，但「能不能跑」這道門檻已經大幅降低。

四、做法：不是重練，而是把舊模型「調」到前沿

這是整件事最出乎意料的地方。官方說明，1017 版本是拿原本就存在的 V4.1-Flash，用自我回饋的強化學習（RL）做後訓練強化出來的。

細節先不展開，重點是：他們沒有從頭訓練一個更大的模型，而是在既有模型上「事後調整」，就把性能拉到這個等級。

更驚人的是，這次後訓練在提高開發任務成功率的同時，處理時間與輸出量也一起下降。也就是性能變強了，使用者要付的費用反而更少。原作者的反應很直接：「這個進步幅度太誇張，完全看不懂。」

他最後的結論是：我們必須承認，DeepSeek 現在是世界上最優秀的 AI 實驗室之一。

四件事疊在一起，為什麼是大事

單看任何一項，都有前例可循：便宜的模型很多，開源的模型也不少，在單一基準拿高分也不稀奇。真正改變局面的是同時成立：

性能夠用：在開發任務上已經跟前沿模型同級。
價格極低：每次呼叫的成本降到原本的個位數百分比。
體積小、權重公開：可以不經過任何雲端廠商，自己部署。
靠後訓練達成：代表「堆算力、堆參數」不再是通往前沿的唯一路線。

第四點對產業的衝擊可能最深。過去幾年，前沿 AI 的護城河被認為是資本與算力；如果後訓練就能讓一個中型模型追上，那條護城河就沒有想像中那麼寬。這也是原作者會擔心 AI 概念股的原因——當然，股價怎麼走沒人說得準，這只是他的個人判斷。

對台灣中小企業意味著什麼

對大多數老闆來說，誰是世界第一的 AI 實驗室並不重要，重要的是：把 AI 放進自己生意裡的成本，又往下掉了一大截。

AI 客服與自動回覆：以前會擔心「訊息量一大，API 帳單會不會失控」，現在同樣的預算能處理的對話量多了好幾倍。
內部文件與資料處理：報價單整理、商品文案初稿、客戶訊息分類這類量大但單價低的工作，更容易算得過來。
資料不想出公司：開放權重代表可以在自己的設備上部署，敏感資料不必送到外部 API。對醫療、法律、製造業的客戶資料特別有意義。

但也有幾件事要冷靜看待：

基準分數不等於你的任務表現：DeepSWE 測的是程式開發，你的客服、文案、中文語氣表現如何，要自己拿實際案例測。
使用原廠 API 時，資料會送到 DeepSeek 的伺服器：有個資或機密疑慮的情境，請先確認服務條款與資料存放地，或改走自行部署。
自行部署不是零成本：硬體、電費、維運人力都要算進去，用量不大的話，API 往往還是比較划算。

OceanAds 可以怎麼幫忙

海水不可斗量數位工作室（OceanAds）是位於台中的數位營運系統服務商，協助中小企業把 AI 客服、企業助手與網站自動化串進既有流程。我們不綁定特定模型廠商，會依你的任務、預算與資料敏感度，比較 API 與自行部署的成本，挑出最合適的組合；交付的系統原始碼與帳號都移交給客戶，日後要換模型也不會被卡住。

深度思辨：當聰明變便宜，什麼會變貴

經濟學有個老觀察叫「傑文斯悖論」：十九世紀蒸汽機變得更省煤，英國的煤炭總用量不降反升，因為省下來的成本讓更多人、更多場合開始用蒸汽機。AI 很可能正在重演這一幕。每次呼叫便宜了二十倍，不會讓大家少花錢，而是讓原本「不值得叫 AI 做」的事，全部變成值得。

認知科學裡也有類似的現象。大腦會把稀缺的東西看得更有價值，一旦某樣東西變得隨手可得，我們對它的注意力就會轉移到仍然稀缺的地方。當「產出一段合格的程式碼或文案」幾乎不花錢，稀缺的就不再是產出本身，而是判斷要做什麼、看得出哪個結果是對的。

莊子說「物物而不物於物」，使用工具而不被工具使用。模型會一直變強、變便宜，今天的 1017 版本，明年可能又會被下一個名字取代。追逐每一次發表的分數，很容易讓人覺得自己永遠落後一步；但對經營者來說，真正該問的始終是同一個問題：我的客人需要什麼，而哪一段工作值得交給機器？這個問題的答案，不會因為模型換代而過期。

結論

DeepSeek V4.1-Flash 1017 不是全面打敗美國前沿模型的「神模型」，但它在 DeepSWE 上以約三分之一的費用贏過 GPT-6.1 Sol、API 價格比 Opus 5.5 便宜九成以上、763B 開放權重能在家用等級設備運行，而且是靠後訓練而非重練達成。這四件事加起來，讓「前沿 AI 一定很貴、一定要靠大型資料中心」的前提開始鬆動。

對中小企業來說，最實際的下一步很簡單：挑一個你一直覺得「叫 AI 做太貴」的工作，拿這類低價模型實際測一次，看看帳單與品質是否都過得了關。

常見問題