DeepSeek-V4.1-Flash（Max）在 Agent Arena 的任务成本与净改进

一句话结论

Arena.ai 报告 DeepSeek-V4.1-Flash（Max）相对 Arena 基线净改进 +4.87%；正文写每个中位任务 $0.07，明细表写 $0.06，因此成本应按“原帖存在金额不一致”记录，不能把两者合并成一个无条件确定值。

适用场景

• 适合判断的任务：真实 Agent Mode 任务中的工具编排、任务完成和可控性，以及成本与净改进的取舍。

• 不适合外推的任务：普通聊天、单项知识问答、独立代码题、视觉任务或其他未进入 Agent Arena 的任务；也不能据此推断所有调用的单次成本。

• 适用的模型版本：DeepSeek-V4.1-Flash（Max）；原帖没有给出 API ID，不能仅凭此文把历史模型标签改写为其他版本。

• 测试环境或客户端：Agent Arena 的 Agent Mode；榜单页面说明数据来自真实 Agent Mode tasks。

• 推理档位和参数：DeepSeek 使用 Max；对比项包含 Max、High、xHigh。温度、上下文、工具配置和其他参数未注明。

测评方法

原帖以 Agent Arena 的 Pareto frontier 和相对 Arena baseline 的净改进为依据，报告模型的净改进百分比与每任务中位成本。原帖没有公开任务样本量、任务提示词、工具集合、运行次数、聚合公式或误差范围。

帖内链接的 Agent Arena 页面（采集日 2026-09-16）将图表定义为“Net Improvement × Cost/task from real Agent Mode tasks”，成本统计选择 50th percentile，并标注为“Median cost per task (last 14 days)”。页面当日显示 1,850,083 sessions、46 models，说明这是动态榜单快照；它显示 Deepseek V4.1 Flash（Max）为 +4.88%、$0.06/task，与前一日 X 帖子的 +4.87% 存在正常的快照变化。

原帖未定义 Arena baseline 的具体分数、样本或计算方式；页面只概括其信号包括工具可靠性、任务完成和可控性。因此“净改进”只能理解为 Arena 内部相对基线的榜单指标，不能当作通用准确率或胜率。

关键结果

• 原帖称 DeepSeek-V4.1-Flash（Max）在前三个开源模型中具有最低的每任务中位成本。

• 相对 Hy4 preview：保留其净改进的 98%，成本低 73%。

• 相对 Kimi K3（Max）：保留其性能的 76%，成本低 92%。

• 相对 Fable 5 或更强模型：保留其净改进的 35–54%，成本低 97–99%；这些模型的每任务成本高 37–76 倍。

• 原帖还称本次发布后，GPT-5.6 Luna（xHigh）、GLM-5.3-Flash 和 DeepSeek-V4-Flash 脱离 Agent Arena Pareto frontier。这是榜单边界变化，不等于这些模型在所有任务上的能力下降。

原始数据

原帖明细标题为“Net improvement over Arena baseline | Median cost/task”。以下保留原帖数字；成本金额的不一致见“适用边界”。

金额关系是原帖的四舍五入后表达。例如按表中 $0.06 计算，$0.06/$0.22≈27%，即相对 Hy4 成本降低约 73%；$0.06/$0.77≈8%，即相对 Kimi K3 成本降低约 92%。

结论与边界

这条资料支持的结论是：在 Arena 的真实 Agent Mode 任务、近 14 日中位成本口径下，DeepSeek-V4.1-Flash（Max）以约 $0.06–$0.07/任务 达到 +4.87% 净改进，并处于成本效率 Pareto frontier。它适合用于 Agent 模型选型中的成本性能比较。

边界包括：

• 正文的 $0.07 与明细表的 $0.06 不一致；原帖没有解释是四舍五入、不同统计时点还是展示错误。

• 原帖没有公开 Arena baseline、任务样本、任务分布、工具配置、成本构成、置信区间和显著性检验。

• Agent Arena 榜单是动态快照；次日页面已显示 +4.88% 和 $0.06/task，不能把榜单数值视为永久固定结果。

• “净改进”不是通用准确率；“成本降低”只适用于同一榜单的中位任务成本口径。

复现说明

在 Tabbit 中打开原帖，点击“显示原文”读取英文内容，避免自动翻译造成倍数方向错误。随后在同一帖内打开其指向的 Agent Arena Pareto 页面，核对 50th percentile、last 14 days 和动态快照日期。由于原帖未提供任务集、提示词、工具和参数，无法独立复现 +4.87% 的净改进，只能复核页面公开的榜单快照。