轻量反超旗舰，大模型史上第一次：AiPy 发布 DeepSeek-V4.1-Flash 测评报告

2026 年 9 月 10 日，国内领先的智能体平台 AiPy 正式发布《AiPy 适配度评测报告 · DeepSeek-V4.1-Flash（0910）》。这是全网首份针对 DeepSeek-V4.1-Flash 的适配度测评报告。报告显示，该模型在 63 项真实办公与开发任务中成功交付 59 项，综合成功率达 93.7%，不仅反超前代旗舰 V4-Pro，其峰值输出速度更达到 V4-Pro 的 7 倍以上，标志着国产大模型在“智能体适配”这一关键赛道上实现代际跃升。

一、从“对话”到“交付”：AiPy 重新定义智能体评测标尺

在全球人工智能产业加速从“模型竞赛”迈向“应用落地”的当下，如何衡量一个大模型是否真正“可用”，正成为行业关注的焦点。作为国内智能体领域的先行者，AiPy 长期深耕“模型—工具—交付”全链路适配评测，其发布的适配度报告以“真实客户端、真实任务、真实交付物”为方法论，已成为观察国产大模型工程化能力的重要窗口。

与业界常见的“刷榜式”基准测试不同，AiPy 的适配度评测聚焦一个朴素而严苛的问题：模型能否在真实客户端环境中，理解用户意图、正确调用本地工具与联网能力，并最终产出可交付的实体文件。本次评测基于 AiPy Pro 2.0.1 客户端，以 DeepSeek-V4.1-Flash（0910）为执行内核，跑通 63 项覆盖多模态理解、文档与数据处理、联网检索与调研、系统与桌面操控、代码与工具开发、内容创作与设计六大能力维度的端到端任务，每一道题都要求产出 HTML、Word、PPT、PDF、图片、音视频或可执行程序等真实交付物，而非简单的问答对话。

二、93.7% 反超 V4-Pro：轻量与旗舰的界限被重新定义

报告最引人注目的结论，是新一代 Flash 系列在成功率上完成了对上一代 Pro 旗舰的反超。数据显示，DeepSeek-V4.1-Flash（0910）在 63 项任务中成功交付 59 项，综合成功率达 93.7%，属于“高可用”水平；相较之下，前代旗舰 V4-Pro 的成功率为 88.4%，前代 V4-Flash 为 82.6%。这意味着，新一代 Flash 较 V4-Pro 提升 5.3 个百分点，较 V4-Flash 提升 11.1 个百分点，在成功率这一关键指标上实现了对“能力优先”路线旗舰的超越。

速度层面的优势同样显著。实测中，V4.1-Flash（0910）最高输出速度可达 500+ tokens/s，大部分回复稳定在高速区间，交互体验接近“秒回”。作为对比，前代 V4-Flash 此前测试最高约 218 tokens/s，V4-Pro 则不到 70 tokens/s——V4.1-Flash（0910）的峰值速度约为 V4-Flash 的 2.3 倍、V4-Pro 的 7 倍以上。

三、四大维度满分：结构化交付链路高度稳定

从细分能力维度看，V4.1-Flash（0910）在多项核心能力上实现 100% 通过：多模态理解（1/1）、文档与数据处理（13/13）、代码与工具开发（9/9）、内容创作与设计（10/10）均获满分；联网检索与调研达到 90.5%（19/21）。报告指出，满分维度的共同特点是“输入明确、产出可校验”，模型能够稳定地读取文件、编写代码、生成 HTML、Word、PPT、PDF 等交付物并完成本地落盘，在“结构化数据—可交付文件”这条主链路上表现出极高的稳定性。

评测同时揭示了待突破的环节：系统与桌面操控维度成功率为 77.8%（7/9），4 项失败任务中有 3 项属于“系统级集成”问题——模型理解意图无误，但工具调用链路、应用适配层或结果校验环节存在断点。报告认为，这属于工程适配问题而非模型能力短板，可通过补齐应用适配层、增加渲染后自检等工程手段缓解。

四、全新架构加持：普惠成本下的“前沿智能”

公开资料显示，DeepSeek-V4.1-Flash（0910）是深度求索于 2026 年 9 月 8 日开启限时内测的中间版本大模型，采用全新模型结构，在架构层面原生支持多模态输入，最长支持 100 万 tokens 上下文，且计费标准与 DeepSeek-V4-Flash 持平。这一“能力升级、价格不涨”的定位，使其在智能体场景中兼具速度与成本优势。

从 V4 Flash 到 V4 Pro 再到 V4.1 Flash（0910），DeepSeek 系列在 AiPy 上的适配度呈阶梯式上升：V4 Pro 以 88.4% 证明了“能力优先”路线的高度，V4 Flash 以 138 秒的平均耗时守住“效率优先”的底线，而 V4.1 Flash（0910）则在两者基础上进一步把成功率推至 93.7%——既保留了 Flash 系列的响应速度优势，又在复杂任务稳定性上向 Pro 看齐甚至反超。这一趋势被业界视为国产大模型正加速进入“前沿智能、普惠成本”新阶段的信号。

随着智能体从“能聊天”走向“能干活”，以真实交付为标尺的适配度评测，正在成为衡量大模型工程化价值的关键维度。AiPy 方面表示，将持续推进模型适配评测工作，为用户提供更优质的智能体服务体验。