专题 · FULL STORY

DeepSeek V4.1 Flash 网络安全能力连获基准验证

Vals AI 网络安全基准首批结果显示 DeepSeek V4.1 Flash 胜过 GPT-6 Sol，随后又以单 CVE 约 2.4 美元成本重新发现 87.5% 的 CVE。10 月 24 日 Artificial Analysis 更新 Cyber Index，该模型新版登顶 1017 网安榜开源模型，事件线从第三方评测延伸至权威榜单确认。

2026-10-20 ~ 2026-10-25 · 3 集 · 13 条

第 1 集 · Vals AI 网络安全基准：DeepSeek V4.1 Flash 胜 GPT-6 Sol(2026-10-20,5 条)

第三方评测机构 Vals AI 发布其正在构建的网络安全基准的首批发现：在基于模拟企业网络的多步攻击性网络安全任务上，DeepSeek V4.1 Flash 1017 以 16.3/21 的平均完成数击败 GPT-6 Sol（经 Daybreak 可信访问计划测试）的 15.7/21，Grok 4.7 得约 12 分的更低成绩。这是开源权重模型在进攻性安全任务上超过头部闭源模型的一次标志性结果，已引发安全与 AI 社区的转发讨论。

已确认

  • Vals AI 的基准基于模拟企业网络构建，衡量模型在多步攻击性网络安全任务上的能力
  • DeepSeek V4.1 Flash 1017 平均完成 16.3/21，高于 GPT-6 Sol Daybreak 的 15.7/21，Grok 4.7 得约 12 分
  • 该结果为 Vals AI 网络安全基准的首批初步发现，基准仍在构建完善中

为什么重要

  • 安全研究者 Joshua Saxe 借此论证：在 2026 年 Q4 这个时点，擅长双用途网络安全任务的开源权重模型对网络防御是净利好，即防御方同样能利用此类模型提升检测与响应能力
  • 开源模型在攻防能力上逼近甚至超过顶级闭源模型，意味着网络安全攻防格局可能重塑，防御方获得更易获取、可本地部署的工具
  • 多条独立账号（包括 Joshua Saxe、Sayash Kapoor、Scott Leibrand）转发扩散该结果，显示社区对「开源攻防能力对比」议题的高度关注

第 2 集 · DeepSeek V4.1 Flash 挖 CVE 成本仅 2.4 美元逼近前沿(2026-10-22,2 条)

第三方网络安全基准显示，DeepSeek V4.1 Flash 在 pass@3 下重新发现基准中 87.5% 的 CVE（28/32），单个 CVE 成本仅 2.4 美元，比 Opus 5 便宜 27 倍。推主 S1r1u5 称这是首个让他大幅上调「开源与前沿模型差距」判断的开放模型：500B 规模的 flash 版本小巧快速，网络攻击能力已逼近前沿封闭模型，开源与闭源差距骤缩。

第 3 集 · DeepSeek V4.1 Flash 1017 网安评测跃升至 57%，登顶开源榜(2026-10-24,6 条)

10 月 24 日，Artificial Analysis 发布 Cyber Index 更新：DeepSeek 旗舰开源权重模型 V4.1 Flash 的新版本 1017 在网络防御评测中得分从 41% 大幅提升至 57%（+16 分），成为该指数排名第一的开放可用模型，总榜位列第二，仅次于通过可信访问计划提供的 GPT-6。同日 DeepSeek 官方发布该模型并自测称其软件工程能力也有显著提升。

已确认

  • DeepSeek 官方于 10 月 24 日发布 DeepSeek-V4.1-Flash-1017，距初版仅五周余；官方称其为「小幅更新」，主要缩短任务执行时间与输出长度（据 @dlweekly 转述官方公告）
  • 官方自测在 DeepSWE v1.1 软件工程基准上解决率达 77%，超过 Claude Opus 5
  • DeepSeek V4.1 Flash 1017 在 Cyber Index 得分 57%，较此前版本的 41% 提升 16 分，登顶开源可用模型榜首，超过 Grok 等对手（据 Artificial Analysis）
  • 总榜第二，仅次于 GPT-6（后者通过可信访问计划提供，非开放可用）
  • 单任务成本 0.42 美元，是 MiMo-V2.6-Pro（56 分、0.18 美元）的两倍多，但比 GPT-6 Sol（Daylight Blue 版本）便宜约 4 倍
  • Cyber Index 方法论：综合三项基于真实软件仓库的漏洞发现、复现与修复评测——CWE-Bench-AA（基于 Collinear AI 的 CWE-bench）、DeepsecBench-A 等

尚未确认

  • DeepSWE 77% 超越 Claude Opus 5 为 DeepSeek 官方自测结果，尚无第三方评测佐证

为什么重要

  • 开源权重模型在网络安全防御任务上首次逼近最强闭源模型，且成本仅为后者的约四分之一，对安全工程自动化场景具有较高性价比
  • 该指数基于真实代码库任务而非合成题，结果对实际漏洞修复能力的参考价值较高
  • 一次「小幅更新」带来 16 分的大幅跃升并同步改善软件工程基准，反映快速迭代下开源模型能力曲线的陡峭