深度求索 DeepSeek V4.1 Flash-1017 登顶 Agent Arena 开源榜，总榜第 11
国产最强 DeepSeek V4.1 Flash-1017 登顶 Agent Arena 开源榜，总榜第 11
- 1Arena 宣布 DeepSeek-V4.1-Flash-1017 登顶 Agent Arena 与 Code Arena: WebDev 开源榜，总榜第 11
- 2该模型基于 7498 次真实使用会话取得 5.13% 综合净改善指标，单任务成本中位数约 0.18 美元
- 3任务成功确认 11.54%、用户正负反馈 5.89%、Bash 命令执行可靠性 5.42% 均列开源模型第一
- 4工具幻觉指标 0.48% 排名第 7，Arena 将其列入性能与任务成本的帕累托前沿
国产开源模型在基于真实会话的 Agent 评测中同时拿下开源性能第一与低位单任务成本，模型选型的性价比参照发生了变化。
- 影响：选型智能体模型时多了一个有第三方榜单数据支撑的低成本开源选项；榜单含任务成功确认、工具幻觉等细分维度，可按业务场景对照；0.18 至 0.19 美元的单任务成本中位数为预算测算提供参照。
- 参考：可考虑把内部 Agent 试点的单任务成本和任务成功率先算出来，再与该榜单口径对照；值得在涉及工具调用的场景里为工具幻觉率设计校验环节。
- 依据：数据来自 Arena 官方榜单，基于 7498 次真实使用会话，属第三方评测口径；帕累托前沿结论限于该评测指标，暂无其他独立验证。
IT之家 10 月 20 日消息，AI 竞技场 Arena 今日宣布，深度求索最新发布的 DeepSeek-V4.1-Flash-1017 登顶 Agent Arena 以及 Code Arena: WebDev 开源模型榜单，总榜排名第 11。
Agent Arena 排行榜显示，DeepSeek-V4.1-Flash-20261017（Max）位列开源模型第一、总榜第 11。根据榜单数据，该模型基于 7498 次真实使用会话取得 5.13% 的综合净改善指标，单任务成本中位数约为 0.18 美元（IT之家注：现汇率约合 1.2 元人民币）。
在具体指标方面，该模型的任务成功确认、用户正负反馈和 Bash 命令执行可靠性均位列开源模型第一。其中，任务成功确认指标为 11.54%，总榜排名第 8；用户正负反馈指标为 5.89%，总榜排名第 11；Bash 命令执行可靠性指标为 5.42%，总榜排名第 12。可引导性指标为 2.46%，总榜排名第 13，同样位列开源模型第一。
Arena 的榜单还显示，该模型的工具幻觉指标为 0.48%。该指标用于衡量模型虚构自身并不具备的工具的情况，数值越低意味着此类问题越少。按这一指标，该模型在榜单中排名第 7。
成本方面，DeepSeek-V4.1-Flash-20261017（Max）的单任务成本中位数约为 0.18 至 0.19 美元，不同榜单页面显示的数据略有差异。
Arena 同时将该模型列入性能与任务成本的帕累托前沿，意味着在该评测所采用的指标下，它属于无法在性能和成本两方面同时被其他入选模型超越的模型之一。
相关阅读：
来源：IT之家·人工智能 · ithome.com