DeepSeek 官方刚刚突然宣布：我们发最新版本模型 DeepSeek-V3.1啦！

消息一出，一个小时在 X 上的浏览热度就达到了 26 万！

据 DeepSeek 介绍，DeepSeek-V3.1 是一款混合型模型，支持 " 思考模式 " 与 " 非思考模式 " 混合运行，用户可以根据场景需求，灵活切换推理深度，效率和能力两手抓。

得益于深度优化的训练策略与大规模长文档扩展，DeepSeek-V3.1 在推理速度、工具调用智能、代码和数学任务等方面均有显著进步。

咱们先捋一下这次新版模型的几大亮点：

· 混合思考模式：通过切换对话模板，单一模型即可兼容思考与非思考两种模式。

· 更智能的工具调用：通过后训练优化，模型在调用工具和完成 Agent（智能体）任务方面的表现显著提升。

· 更高的思考效率：DeepSeek-V3.1-Think 在回答质量上可与 R1-0528 媲美，同时响应速度更快。

官方放出的测试结果显示，V3.1-Think AIME 2025（美国数学邀请赛 2025 版）得分 88.4%，GPQA Diamond（高难度研究生级知识问答数据集的 Diamond 子集）得分 80.1%，LiveCodeBench（实时编码基准）得分 74.8%，均优于老模型 R1-0528 的表现：87.5%、81.0%、73.3%。

而且，正如下图所示（纵轴是输出 token 数），V3.1-Think 的输出 tokens 反而大幅减少。

也就是说：V3.1-Think 相较于老模型 R1-0528，使用更少的 tokens，但达到了相似或略高的准确率，在计算资源优化上的优势很明显。

在软件工程和 Agent 任务基准上的性能提升方面：

· SWE-Bench Verified，DeepSeek-V3.1 得分 66.0%，远高于 V3-0324 的 45.4% 和 R1-0528 的 44.6%，表明其在处理复杂代码任务时更可靠。

· SWE-Bench Multilingual（多语言版本），DeepSeek-V3.1 得分 54.5%，大幅领先 V3-0324 的 29.3% 和 R1-0528 的 30.5%。说明其在多语言支持上有很大进步，可能通过增加多样化训练数据实现，使其更适合全球开发场景。

· Terminal-Bench（使用 Terminus 1 框架的基准，量化 AI Gent 在终端（命令行）环境中完成复杂任务的能力，如脚本执行、文件操作或系统交互，模拟真实命令行工作流），DeepSeek-V3.1 得分 31.3%，优于 V3-0324 的 13.3% 和 R1-0528 的 5.7%，在 Agent 框架下的效率提升，适合自动化运维或 DevOps 应用。

需要注意的是，DeepSeek V3.1 的本次更新，核心在于显著增强了模型的智能体能力，尤其是在复杂推理和工具链协作场景下的实际表现。

此外，DeepSeek-V3.1 搜索 Agent、长上下文理解、事实问答和工具使用等领域的性能也表现强势。

DeepSeek-V3.1（基于 MoE 架构，总参数 671B，激活 37B）在大多数基准上显著优于 R1-0528，在搜索 Agent 和长上下文任务上的平均提升约 20-300%，尤其在工具使用（如 xbench-DeepSearch）和事实 QA（如 SimpleQA）中领先，这意味着它适合构建 AI Agent 应用，如自动化搜索或代码辅助。

相比 R1-0528（专注于推理但效率较低），DeepSeek-V3.1 更注重平衡速度与质量，DeepSeek 的 "Agent 时代 " 正式拉开帷幕。

在 Huggingface 上，DeepSeek 释放出了更详细的评估结果。

基于官方给出的与前代的测评比较，DeepSeek-V3.1 在常规推理和知识问答任务（如 MMLU-Redux 和 MMLU-Pro）上，整体表现稳定提升，非思考和思考模式下的分数均高于 V3 旧版，基本接近行业顶尖大模型水平。

例如，在 HLE（Humanity ’ s Last Exam，搜索 +Python 复合推理）任务上，DeepSeek-V3.1 实现了 29.8% 的通过率，优于自家 R1-0528 版（24.8%），并接近 GPT-5、Grok 4 等国际一线大模型。

虽然各大模型在评测细节上存在一定差异，但 DeepSeek 的表现仍具有说服力。

新版模型在网页检索、复合搜索和工具协同场景（BrowseComp、BrowseComp_zh、Humanity ’ s Last Exam Python+Search、SimpleQA）上有跨越式进步，中文网页搜索和多模态复合推理分数显著超越旧版本。在 SWE-Bench Verified 代码评测中，DeepSeek-V3.1 以 66.0% 的成绩大幅领先前代（44.6%），也与 Claude 4.1、Kimi K2 等顶级模型保持同一水准。

在 Terminal Bench 终端自动化测试中，其得分也略高于 GPT-5 和 o3 等知名竞品。

与此同时，DeepSeek-V3.1 在代码生成和自动化评测（LiveCodeBench、Codeforces-Div1、Aider-Polyglot、SWE Verified、Terminal-bench）方面，得分也较前代显著提升，特别是在智能体模式下，代码任务通过率和自动化执行能力大幅增强。在 AIME 和 HMMT 等高级数学推理和竞赛任务上，DeepSeek-V3.1 的表现优于前代产品，思考模式下解题成功率大幅提升。

不过作为通用对话模型，V3.1 并未在所有维度超越前代产品——在部分常规对话和知识问答场景下，R1-0528 依然具有一定竞争力。

在具体的性能表现之外，DeepSeek 发布新模型，一定会被外界密切关注的当然是价格。

这次，DeepSeek 也没有让大家失望。

Input API Price（输入定价），分为两种情况：

· Cache Hit（缓存命中）：0.07 美元 / 百万 tokens。

· Cache Miss（缓存未命中）：0.56 美元 / 百万 tokens。

Output API Price（输出定价）为 1.68 美元 / 百万 tokens。

MenloVentures 的风险投资人、前谷歌搜索团队成员 Deedy 也发推大呼 " 鲸鱼回来了 "。（这哥们在 X 上有 20 万粉丝，妥妥的科技界大 V。）

除了价格良心之外，DeepSeek-V3.1 还首次实现了对 Anthropic API 的原生兼容。

这意味着，用户可以像调用 Claude 或 Anthropic 生态的模型一样，将 DeepSeek 的集成进现有系统。无论是通过 Claude Code 工具链还是直接使用 Anthropic 官方 SDK，开发者只需配置 API 地址和密钥，即可在所有支持 Anthropic API 的环境下，使用 DeepSeek-V3.1 提供的推理和对话能力。

从目前的反馈来看，外界对这次发布的反馈还是很好的，尽管它并非 " 拳打 Grok4、脚踩 GPT-5" 的霸王龙，但它有明确的、清晰的侧重点与优势。

更有意思的是，从两天前 DeepSeek 默默发了 V3.1-Base 开始，网友已经再次惊叹于 DeepSeek 发模型的节奏之舒适、态度之低调。