我先核实 V4.1 Pro 灰测的消息来源和实测数据，并把官方口径与传闻分开。
先给判断：V4.1 Pro 灰度测试这件事，可信度比一般的 “爆料” 高；但 “能力暴涨” 目前只有一份第三方测试撑着，官方还没发布。
证据链是这样的：9 月 10 日发布 V4.1-Flash 时，官方公告里写过一句关键的话 ——“至未来 V4.1 Pro 上线之前，用户访问 deepseek-v4-pro 的请求将全部路由到 V4.1 Flash”。这句话等于官方确认了 V4.1 Pro 的存在，只是没说时间。11 月 7 日前后，DeepSeek 服务一周内第二次短暂中断，同期有用户发现 deepseek-v4-pro 返回的结果明显变了；11 月 8 日，Agent 客户端 LobeHub 的开发者 @MaxForAI 用自建的 50 题 LobeBench 做了对比：V4 Pro-0813 通过 48%（24/50），新版 64%（32/50），排名从第 13 升到国产第一，多通过了 8 道 Hard 题。
但要把话说全：这 16 个百分点来自一个 50 题的私有测试集，样本不大、题目不公开，而且官方至今没有发布 V4.1 Pro、没有公布任何评测数字。所以现在能确认的是 “方向对了”，不能确认的是 “涨了多少”。
一、证据链：哪部分是官方，哪部分是第三方
| 环节 | 内容 | 性质 |
|---|---|---|
| 官方预告 | 9 月 10 日公告：“至未来 V4.1 Pro 上线之前” 路由到 V4.1 Flash | 官方文本，确认产品存在 |
| 官方动作 | 9 月曾计划下线 V4 Pro，后又决定继续提供 API | 官方文本，说明 Pro 仍在维护 |
| 服务异常 | 11 月 7 日前后服务短暂中断，一周内第二次 | 可观测事实 |
| 行为变化 | 用户实测 deepseek-v4-pro 输出质量变化 | 第三方观察 |
| 量化对比 | LobeBench 50 题：48% → 64% | 第三方测试，非官方 |
| 发布状态 | 官方未发布、未命名、未公布评测 | 尚无 |
一句话：“灰测” 成立，“能力暴涨” 待验，“正式版” 还没来。
二、48% 到 64%，这组数字怎么读
先把测试方法说清楚，不然容易被 16 个百分点带跑。
| 项目 | 情况 |
|---|---|
| 测试集 | LobeBench，LobeHub 开发者 @MaxForAI 自建，50 道题 |
| 对比对象 | V4 Pro-0813（8 月 13 日发布的正式版） vs 当前 deepseek-v4-pro 返回结果 |
| 主指标 | 至少一次通过（Pass@1 口径）与连续三次通过（anyof3 口径） |
| 旧版成绩 | 48%，50 题过 24 题，榜单第 13 |
| 新版成绩 | 64%，50 题过 32 题，国产第一 |
| 增量构成 | 提升 16 个百分点，多过 8 道 Hard 级任务 |
| 成本参考 | 默认参数 32/50，约 $0.05998/case |
| 关键细节 | 只看 “至少一次”，两版差距不大；差距主要在 “连续三次都完成” |
最后一条最有价值。单次通过率接近，说明不是运气好；三次连续通过拉开差距，说明稳定性变了。Agent 类任务最怕的就是 “偶发成功”，同一任务跑三次挂一次，就没法进生产。这个指标的变化，比总分更能说明问题。
但两个限制必须写出来：
- 50 题太少。16 个百分点的差异，换算成题数就是 8 道题；样本这么小，换一套题结论可能变。
- 测试集私有。题目不公开，无法复核，也无法和其他模型横向比。所谓 “国产第一”，是在这个 50 题榜单里的第一。
三、官方基线在哪：V4 Pro-0813 与 V4.1-Flash 的成绩单
要看新版涨了多少，得先知道旧版官方成绩。
V4 Pro-0813（2026-08-13 正式版，官方数据）
| Benchmark | 成绩 |
|---|---|
| HLE（无工具 / 带工具） | 42.7 / 60.0 |
| Terminal Bench 2.1 | 87.9 |
| NL2Repo | 61.5 |
| CyberGym | 83.3 |
| DeepSWE | 62.7 |
| Toolathlon-Verified | 74.1 |
| Agents' Last Exam | 25.7 |
| AutomationBench (Public) | 31.8 |
| DSBench-FullStack / Hard | 71.1 / 67.2 |
V4.1-Flash（2026-09-10 发布，官方数据）
| Benchmark | 成绩 |
|---|---|
| GPQA Diamond | 90.9 |
| HLE | 36.8（纯文本子集 39.1） |
| Codeforces Rating | 3471 |
| Terminal-Bench 2.1 | 90.6 |
| DeepSWE v1.1 | 74.2 |
| NL2Repo-Bench | 65.4 |
| CyberGym | 88.1 |
V4.1-Flash-1017（2026-10-17 更新，官方数据）
| Benchmark | 成绩 |
|---|---|
| HLE（无工具） | 42.6（纯文本 44.0） |
| Terminal-Bench 4.0 | 42.3 |
| DeepSWE v1.1 | 77.0 |
| NL2Repo-Bench | 68.2 |
| Automation-Bench v1.0.6 | 60.5 |
| Agents' Last Exam | 35.4 |
| Apex Bench v1.1 | 72.1 |
这三张表放在一起，能看出一个很尴尬的事实：9 月 10 日官方自己写了 “V4.1 Flash 在性能、费用、速度、总用时等各项指标上已全面超越 V4 Pro”，并因此计划下线 V4 Pro。一个 “Flash” 把 “Pro” 打下去了，Pro 这条产品线必须还债 —— 这就是 V4.1 Pro 一定要来、而且要明显更强的结构性原因。
顺带一提，V4.1-Flash 的架构值得记住：552B 参数 MoE、Causal-Encoder-Decoder 非对称结构、输入激活 8B / 输出激活 16B，KV Cache 对 HBM 需求降到上一代的 1/4、对 SSD 降到 1/8，相对初代缩小 437 倍。这套 “更少缓存、更省成本” 的设计，大概率会被 V4.1 Pro 继承。
四、一周两次中断，说明什么
快科技的说法是两点因素叠加：用量大涨，以及灰度测试。这个解释在工程上说得通：
- 灰度测试意味着同一批请求可能被路由到两套不同的权重或推理配置，推理集群的负载分布会变；
- 新模型上线前后通常要做大规模压测和流量切分，短时中断是常见代价；
- 如果新版确实提升了思考长度或工具调用轮次，单位请求的算力消耗会上升，进一步吃紧。
但这只是合理推断，官方没有对中断原因做说明。能确认的只有 “停过两次”，不能确认 “是因为灰测”。
五、现在想试，能试到什么
| 渠道 | 现状 |
|---|---|
| 官网 / App | 网页端与 App 走的是官方当前在线的版本；deepseek-v4-pro 曾按公告路由到 V4.1-Flash |
| API deepseek-v4-pro | 官方 9 月说 9 月 14 日后路由到 V4.1-Flash，后又决定继续提供 V4 Pro 服务，计费不变 |
| API deepseek-flash | 明确指向 V4.1-Flash（含 1017 版） |
| 灰度用户 | 部分账号或部分请求可能命中新版，表现为 “同名模型输出变了” |
| 官方发布页 | 尚无 V4.1 Pro 条目，更新日志最后一条是 10 月 17 日 |
也就是说：你现在很难 “主动选到” V4.1 Pro。命中的方式是不确定的 —— 同一个模型名，返回结果可能来自不同版本，这正是 “灰度” 的含义。
六、需要等的三个确认信号
- 官方更新日志出现 V4.1 Pro 条目。这是唯一权威信号。DeepSeek 在 4 月 V4 预览页上专门写过一句：“请只依赖我们的官方账号获取 DeepSeek 新闻，其他渠道的说法不代表我们的观点。”
- 模型名或参数变化。如果 deepseek-v4-pro 之外出现新名字（比如 deepseek-pro），或 reasoning_effort 档位调整，通常意味着正式版要来了。
- 官方基准数字公布。真正确认能力，看的是 HLE、Terminal-Bench、DeepSWE 这几个官方长期跟踪的指标，而不是第三方 50 题通过率。
七、写在最后
这件事的看点不在 “暴涨 16 个百分点”，而在产品线逻辑：Flash 反超 Pro，Pro 就必须重做一次，否则这条高端线没有存在理由。从这个角度说，V4.1 Pro 不是 “可选更新”，是 “必须交付”。
至于 48%→64%，我的看法是：它足够让人兴奋，因为拉开差距的是 “连续三次完成” 这个稳定性指标；但它也足够脆弱，因为只有 50 道题、只有一个人、只有一套不公开的测试集。
灰测能证明 “变了”，证明不了 “强了多少”。等官方那张表。
【相关 FAQ】
问题 1：DeepSeek V4.1 Pro 的灰测是真的吗，为什么说可信度较高？
回答 1：可信度较高，但官方尚未发布。关键证据是 9 月 10 日官方发布 V4.1 Flash 时写过 “至未来 V4.1 Pro 上线之前，请求将路由到 V4.1 Flash”，等于官方确认了 V4.1 Pro 的存在。加上 11 月 7 日前后服务短暂中断、用户实测同名模型输出变化，可以判断灰测在进行；但官方没有发布 V4.1 Pro，也没有公布任何评测。
问题 2：V4.1 Pro 灰测 “能力暴涨”，具体涨了多少？
回答 2：目前唯一可量化的数据来自第三方。LobeHub 开发者 @MaxForAI 用自建 LobeBench 50 题对比：V4 Pro-0813 通过 48%（24/50）、排名第 13，新版通过 64%（32/50）、国产第一，提升 16 个百分点，多通过 8 道 Hard 题。这个数字不能等同于官方能力提升幅度，因为样本只有 50 题、测试集不公开。
问题 3：为什么说 V4.1 Pro 的能力提升要看 “连续三次通过” 而不是单次成绩？
回答 3：因为单次通过率两版差距不大，真正拉开差距的是连续三次都完成的能力（anyof3 口径）。Agent 类任务要求稳定复现，同一任务跑三次失败一次就没法进生产。所以 “连续三次通过” 更能反映 V4.1 Pro 的稳定性提升，而不是偶然答对。
问题 4：现在能用到 DeepSeek V4.1 Pro 吗，怎么判断自己用的是不是新版？
回答 4：不能主动选到。官方渠道里 deepseek-v4-pro 曾按公告路由到 V4.1 Flash，后又继续提供 V4 Pro 服务；deepseek-flash 指向 V4.1-Flash。灰测期间部分请求会命中新版，但无标识、不可选。判断方式只有对比输出质量和官方更新日志，官方页面出现 V4.1 Pro 条目才算正式发布。
问题 5：DeepSeek V4.1 Pro 大概什么时候正式发布？
回答 5：官方没有给时间。可以确认的时间锚点是：V4 Pro-0813 正式版发布于 2026 年 8 月 13 日，V4.1-Flash 发布于 9 月 10 日，更新日志最后一条是 10 月 17 日。灰测出现在 11 月上旬，按同类模型 “灰测到发布” 的常见节奏推，窗口可能在数周内，但这属于推测，不是官方口径。
【参考资料】
[2026-11-08]（期待已久的大的终于出现了：DeepSeek V4.1 Pro 灰测能力暴涨）快科技／新浪科技
[2026-11-08]（LobeBench 测试结果：deepseek-v4-pro 32/50、64%，anyof3 82%）@MaxForAI 微博
[2026-10-28]（DeepSeek API Change Log：V4.1-Flash-1017 更新与自研搜索 API 开放）DeepSeek API Docs
[2026-10-17]（更新日志：DeepSeek-V4.1-Flash-1017 更新，开放自研搜索 API）DeepSeek API Docs
[2026-09-10]（DeepSeek V4.1 Flash：更强、更快、更普惠）DeepSeek 官方
[2026-09-10]（更新日志：DeepSeek-V4.1-Flash 发布，计划有序下线 V4 Pro）DeepSeek API Docs
[2026-08-21]（DeepSeek-V4-Flash-Vision-Exp 发布）DeepSeek API Docs
[2026-08-13]（DeepSeek-V4-Pro 正式版上线）DeepSeek 官方
[2026-07-31]（DeepSeek-V4-Flash 正式版 API 上线公测）DeepSeek API Docs
[2026-04-24]（DeepSeek-V4 预览版：迈入百万上下文普惠时代）DeepSeek 官方
【免责声明】
本文信息来自 DeepSeek 官方网站、DeepSeek API 文档更新日志，以及快科技、新浪科技等媒体报道和第三方开发者公开测试数据。截至发稿，DeepSeek 官方尚未发布 V4.1 Pro，也未公布任何 V4.1 Pro 的评测成绩；“灰测”“能力暴涨” 等表述基于第三方实测与公开现象推断，官方未确认。文中 48%→64% 的数据来自 LobeBench 50 题私有测试集，样本规模小、题目不公开，不具备官方基准效力；“国产第一” 仅指该榜单内排名。服务中断原因官方未说明，本文相关解释为工程推断。模型版本、定价与路由规则可能随时调整，请以官方文档为准。本文为资讯解读，不构成任何采购或技术选型建议。