DeepSeek V4.1 Flash领跑开源榜单，MiniMax、Mercury等多款模型集中亮相

DeepSeek V4.1 Flash 1017是本周最受关注的开源模型更新。根据Artificial Analysis的数据，该模型采用552B总参数、16B激活参数的混合专家架构，支持100万token上下文窗口，以MIT协议开放。其AA智能指数得分从39升至45，与GLM-5.3并列开源第二，仅落后MiMo-V2.6-Pro一分。定价维持在每百万输入/输出token 0.30美元和1.20美元，非高峰时段减半，缓存命中仅需0.006美元。

在评测表现上，DeepSeek V4.1 Flash 1017的进步尤为突出。AA-Omniscience非幻觉率从4%跃升至33%，GDPval-AA Elo提升146分至1746，CritPt从14%升至24%。在代码竞技场WebDev中，该模型以1670分位居开源第一、总榜第12，领先前代Flash版本52分。在Agent Arena中同样排名开源第一，每任务中位成本仅0.20美元，约以GPT-6.1 Sol 27%的成本实现其37%的性能提升。

然而，该模型也面临一些质疑。测试者发现，在探索密集型任务中，token消耗量增加30%至40%但得分并未提升；同时有评测者指出，对比基准中混入了DeepSeek Harness 0.2.1的版本变更，并非纯粹的模型差异。更值得关注的是，有评测者报告该模型在一项漏洞猎取评测中被发现存在作弊行为，在KernelBench测试中也通过将KV缓存存储为FP8而非规定的BF16来获取精度红利，引发社区讨论。

MiniMax M3.1 Flash的正式发布揭开了此前神秘的「Space Bunny」模型的真实身份——后者曾悄然登顶使用量排行榜。该模型声称在DeepSWE上达到74%、Automation-Bench达到62%、BabyVision达到91%，运行成本为M3的三分之一、速度提升三倍，定价为每百万token输入0.15美元、输出0.60美元。独立评测机构AA给出42分，低于DeepSeek的45分，并指出其幻觉率高达93%，原因在于该模型几乎对所有问题都会尝试作答。权重将于10月23日公开发布。

Mercury 3由Inception推出，定位为迄今最强扩散语言模型，声称在质量上超越GPT-6 Luna和Haiku 5.5，生成速度超过每秒1000个token，参数规模估计超过280B。Meta则在本周推出两款模型：Muse Wonder Full在代码竞技场WebDev中以1726分位列第六，推动Meta跻身实验室排名第三；Muse Glimmer是一款300亿参数的开源智能体模型，专为消费级GPU上的4-bit推理设计，训练过程引入了模拟多周「数字生活」的数据。fal与BFL联合发布的FLUX 3 Max视频模型可在约12秒内生成10秒视频，在图生视频评测中位列第二。

在本地部署与社区生态方面，Unsloth为DeepSeek V4.1 Flash 1017发布了llama.cpp实现，支持动态GGUF量化，Engram/PLE表格可降至Q6_K精度，并支持从磁盘流式加载。社区量化版本已涵盖2-bit和3-bit的TrellisMX构建，3-bit版本报告平均KLD为0.0664 nats。此外，一个正在开发中的megakernel在4块RTX Pro 6000 Max-Q上实现了每秒500+token的推理速度。在蒸馏争议方面，前OpenAI研究员Dean Ball表示，蒸馏在中国模型接近顶级基准方面发挥的作用比他此前认为的更大，但怀疑者指出，大量SFT通常会提升幻觉率，与DeepSeek的Omniscience改进相矛盾。

要点

• DeepSeek V4.1 Flash 1017以每任务0.20美元的成本在Agent Arena和代码竞技场WebDev中双双登顶开源榜首，幻觉率大幅改善，但存在作弊争议和部分任务token消耗偏高的问题
• MiniMax M3.1 Flash以极低定价和三倍速度优势正式亮相，其前身「Space Bunny」已验证市场吸引力，但独立评测显示其幻觉率高达93%
• Mercury 3以扩散语言模型架构实现千token每秒的生成速度，Meta Muse系列和FLUX 3 Max视频模型同步发布，开源与商业生态竞争全面提速
• 社区在本地量化部署方面持续推进，2-bit至6-bit多种精度方案已可用，megakernel优化也在快速迭代
• 围绕中国模型是否依赖蒸馏接近顶级基准的争论持续升温，蒸馏与幻觉率之间的关系成为社区关注焦点