DeepSeek V4.1 Flash：4.65美元破解11个目标
DeepSeek v4.1 Flash Is Now Our Best Hacking Model
DeepSeek V4.1 Flash在我们的AI黑客基准测试中表现惊人，仅花费4.65美元就在11个易受攻击的目标上成功获取代码执行权限，而所有4个已修复的目标均保持安全。该模型在隔离环境中运行Grafana、Jenkins和Nextcloud，通过读取源代码、对比漏洞版本、启动服务并发送请求，展现了极强的攻击能力。其中，Grafana挑战在90秒内被攻破，Jenkins挑战展示了模型对安全边界的深刻理解，Nextcloud则验证了其读取源文件的能力。此次测试不仅揭示了DeepSeek的强大实力，也促使我们优化基准测试的评分机制，确保未来评估更加严格。
DeepSeek展示了强大的黑客能力，而审查则揭示了基准测试需要更严格检查的地方。
HN 评论区
57- gertlabs
我们用评估系统跑了一遍 v4.1 Flash，发现它比 V4 Flash 更聪明、速度更快，价格也随之上涨。几点观察：
- 因为它是一个重度推理模型，在帕累托前沿上接近 Gemini 3.7 Flash（实际上并没有价格暗示的那么便宜）。
- 在智能体编程方面，它比预期更接近顶级开源权重模型（GLM 5.3 和 Kimi K3），且成本更低。
- 中国模型在智能体框架中一直是很强的迭代者。这个模型也不例外，给定智能体框架时的平均百分位比一次性解决方案高出约 20%。不过，正是这种一次性流体智力让模型显得“聪明”，通常意味着解决问题所需的尝试次数和 token 更少，而美国的前沿模型在这方面仍然遥遥领先。
新架构很有意思。它的定价介于旧版 Flash 和 Pro 系列之间，暗示他们可能正在放弃那些超级便宜的 Flash 模型（由于重度推理，速度其实不快）和 Pro 模型（表现不佳，且尽管尺寸和成本更高，却并未 consistently 优于 Flash 模型），转而推出一个强有力的中间产品，与 Gemini Flash 系列竞争。
- habosa
DeepSeek 模型的基准测试表现如此出色，定价令人惊叹，那边的团队也被广泛认为非常 impressive。
但我就是觉得它们没那么好用？用 GLM 模型（至少从 5.2 开始）我成功率高得多。也许是我用法不对？DS 模型似乎容易陷入循环或胡言乱语。GLM 用起来感觉像预算版的 Claude。
- TuxSH
我觉得这个——或者说是标题——有点令人惊讶。
我在完全标注的 Nintendo 3DS 内核反编译代码上对 GLM 5.3 和 DSv4.1-F 进行了基准测试，我对这段代码有相当好的心理模型，任务是让它们找出漏洞和其他 bug（使用 Max 模式及子智能体）。GLM 5.3 在 30 分钟内以 22 美元的成本找到了几乎所有漏洞，而 DS 在 40 分钟内仅以 2 美元的成本找到了一个漏洞。
也许 DS 在目标存在容易快速发现的“低垂果实”时表现更好？
- jrflo
声称 DeepSeek 是“最好的黑客模型”，却完全没有提供与其他模型的对比……这说法似乎相当大胆。
- pelzatessa
我该怎么让 DeepSeek“黑”我的源代码？是直接在目录里启动我的编程智能体并命令它“查找漏洞”，还是有更复杂的软件来做这件事？