AREX Feed Article
Arena 与 Parallel 同日评测：DeepSeek-V4.1-Flash-1017 在两个榜单上位列开源模型第一
10 月 18 日 17:25 UTC，搜索基础设施公司 Parallel Web Systems 在 X 上称，DeepSeek V4.1 Flash (1017) 是该公司测过的性能最高的开源模型，也是第一个进入其搜索能力榜前十的开源模型（）。约一个半小时后，评测平台 Arena.ai 给出另一份结果：DeepSeek-V4.1-Flash-20261017 (Max) 成为 Code Arena: WebDev 榜上排名第一的开源模型，总榜第 12，1,670 分（）。
被两份榜单同时点名的模型，是 DeepSeek 在 10 月 17 日 08:35 UTC 上线的新版本。官方发布帖称它比上一版基准更强、任务完成更快、输出更短，是「性能与成本的帕累托改进」（）；Hugging Face 模型页标注 MIT 许可、763B 参数，推荐 1M token 上下文（）。两份第三方排名都在发布次日出现，彼此独立，测的却不是同一种能力。
搜索榜第 10 名：前十名里第一个开源模型
Parallel 的 Search Capability Leaderboard 用一组检索任务衡量模型调度搜索、再把结果合成为答案的能力，榜单同时收录开源与闭源模型。该公司的模型卡片显示，DeepSeek-V4.1-Flash-1017 得 68.9 分，同一模型不用搜索时为 32.9 分，提升 36.0 分；每 1,000 次任务花费 125 美元，平均每次任务 540 秒，在 Search Efficiency 分项上排第 4（）。
榜首是 Claude Opus 5.5，带搜索得分 75.4；前十名其余九席全部是闭源模型。分项成绩上，DSQA 带搜索 84.6、不带 46.6，HLE 53.0 对 40.0，WISER 69.0 对 12.0（）。搜索带来的平均提升在该榜全模型范围内是 34.0 分，1017 的 36.0 分略高于这一平均值。
WebDev 榜：Arena 对比的是 Opus 5 的 High 档
Arena 的 Code Arena: WebDev 按社区用户对前端网页开发任务的投票排位，10 月 19 日页面显示累计 903,893 票、149 个模型（）。Arena 在帖文里的说法是：该模型以约十分之一的成本超过 Kimi K3 (Max)，排名高于 Claude Opus 5 (High)，与 GPT-6 Sol (Max) 的差距在 10 分上下，比上一版 20260910 提高 52 分。
「十分之一」对应的是标价。Arena 给出的价位是每百万 token 输入 $0.30、输出 $1.20，榜上 Kimi K3 (Max) 标 $3/$15，输入侧正好差 10 倍（）。Arena 称它在这个价位上改写了帕累托前沿，意思是同一价格上找不到更强的模型、同一水平上找不到更便宜的模型。
Arena 的榜单会随投票变动：帕累托页面在 10 月 19 日显示同一模型为 1,664 分，与帖文里的 1,670 分已有出入。
分数涨 6.2，每千次任务的账单涨到 3.5 倍
Parallel 在同一串帖里补了一句：新模型「仍然是帕累托最优，研究能力有提升，但单任务成本高于最初版本」，现在与 GPT-6.1 Sol 的端到端成本和能力相当（）。榜上数据可以对上：上一版 V4.1 Flash 为 62.7 分、每 1,000 次任务 35.8 美元，1017 为 68.9 分、125 美元；GPT-6.1 Sol 为 70.4 分、130 美元。
分数多了 6.2，每千次任务的花费约为原来的 3.5 倍。125 美元里，模型推理 58.2 美元、搜索调用 21.6 美元、网页抽取 45.4 美元，后两项合起来超过一半；Parallel 既提供搜索也提供网页抽取，这两项开销都算在单任务成本里。
DeepSeek 的发布帖说的是「任务完成更快、输出更短」。在 Parallel 这套任务上，1017 平均每次 540 秒，上一版 549 秒，几乎没有变化。两套任务不同，不能和 DeepSeek 的自测直接对账，但这是把速度与花费放在同一张表上的公开数据。
同一款模型，按 token 标价比 Kimi K3 (Max) 低一个数量级，按 Parallel 的任务账单比自己的上一版贵，差别在计价单位。
厂商的 Terminal-Bench 数字，两个榜单替代不了
DeepSeek 在模型页自报的基准里，Terminal-Bench 4.0 从 31.2 升到 42.3，DeepSWE v1.1 从 74.2 升到 77.0，并注明前者用 Claude Code harness、后者用 Mini-SWE-V2 harness（）。Arena 评的是用户对网页开发结果的偏好，Parallel 评的是检索与合成，都不能替代 Terminal-Bench 与 DeepSWE 这类编码基准。
两个榜单回答的是各自任务上的名次；模型页上那两行编码基准，仍要按厂商自报来读。