本文分析 DeepSeek V4 Flash 正式版在性能显著提升（Terminal-Bench 2.1 提升 34%，DeepSWE 提升 600%）的情况下保持低价策略，形成强大的性价比优势，尤其通过缓存机制大幅降低重复输入成本，构成对同类模型的价格杀手效应。
📝 详细摘要
文章详细解析 DeepSeek V4 Flash 正式版发布带来的行业冲击。性能方面，尽管模型规模未变，但通过后训练优化，Terminal-Bench 2.1 分数提升 34%，DeepSWE 提升 600%，在 Artificial Analysis 综合智能榜上达 50 分，接近 GLM-5.2（51 分），距离 Kimi K3（57 分）和 Fable 5（60 分）仅 7 和 10 分，进入一线模型区间。编程能力测试中，Terminal-Bench 2.1 得分 82.7，仅比 Fable 5（84.3）低 1.6 分。价格方面，DeepSeek 保持与预览版相同的低价策略，相比 GPT-5.6 Luna（降价 80% 后）仍低 60%，相比 Fable 5 输入价格低 98.6%、输出价格低 99.4%。分析认为，通过 98% 的重复输入折扣机制，DeepSeek 构建了强大的性价比优势，形成对行业的「斩杀线」，弱性能价高模型面临生存挑战。文章结尾提及 V4 Pro 未来发布可能进一步扩大优势，并提供了接入 Codex 的官方教程。
💡 主要观点
- V4 Flash 正式版性能显著提升但价格不涨 Terminal-Bench 2.1 提升 34%，DeepSWE 提升 600%，在综合智能榜进入一线模型区间，但价格与预览版相同，形成强性价比优势。
💬 文章金句
- 性能提升这么大，价格却几乎趴在地板上。
- 这就形成了一条很残酷的「斩杀线」。
📊 文章信息
AI 初评：85
来源：小林coding
作者：小林coding
分类：人工智能
语言：中文
阅读时间：4 分钟
字数：902
标签： 大语言模型, AI 编程, 模型性能, DeepSeek, 性价比