0.43 美元。这是 DeepSeek-V4.1-Flash 在 DeepSWE 上完成一道软件工程任务的花费。同一个基准、相近的分数，GPT-6 Astra 要付出大约十五倍的钱。Fireworks 把这两组数字并排摆在官网上，又补了一句更狠的：max 档下 74.34% 的 pass@1，与 Astra 同一水平。便宜十五倍、成绩不落后，这种组合过去只出现在营销页里，现在有了官方实测数据垫底。
可数字越漂亮，越值得拆开看。三组基准、一个档位、一家厂商的推理服务，构成了这次发布的全部证据链。它能说明什么，不能说明什么，得掰扯清楚。
74.34% 这个数，先问它在哪一档跑出来的
max 档意味着放开了推理预算
编码智能体的评测里，档位往往比模型本身更影响结果。低档位卡住推理长度，模型会在长链路任务里提前收手——测试没跑完就交卷。max 档把预算放开，允许它反复读文件、回滚改动、重跑测试。Fireworks 报的正是这个档位下的成绩，所以 74.34% 回答的是"给足算力它能做到什么"，而不是默认配置下的日常表现。打算上线的团队，第一件事是确认自己用的是哪一档。
和 Astra 打平，缩掉的是哪一段差距
GPT-6 Astra 是闭源阵营里编码智能体的标杆机型，DeepSWE 上的完成率长期被当作参照系。这次两者落在同一条水平线上，意味着开源权重模型在标准化任务切分下已经贴到第一梯队，"代差"这个说法基本可以退休了。不过 pass@1 统计的是第一次输出就通过的比例，它奖励稳定，不奖励上限。真正难啃的仓库级重构，看的是把重试和人工介入算进去之后的端到端完成率——那个数字，官方没给。
三组基准拼出的地图有多大
DeepSWE 偏仓库级软件工程，Terminal-Bench 考终端环境里的操作与调试，HLE 则更接近通用推理的天花板。把它们叠在一起，大致能看出模型在"动手"和"动脑"两个方向上的位置。看不到的部分同样要紧：多轮上下文里的漂移、工具调用失败后的恢复、长会话里的指令保持。这三样恰恰是生产环境最容易翻车的地方，而它们都不在榜单上。
十五倍成本差，改的是架构不是预算
便宜不会凭空出现
0.43 美元一任务，压到 Astra 的十五分之一，靠的不是单点优化。MoE 结构的稀疏激活、KV 缓存的复用、推理栈对长上下文的调度，几件事叠在一起才把单位成本拉到这个位置。换句话说，模型权重便宜只是入场券，服务侧工程才是真正让账单缩水的那一环。别的厂商拿同样的权重自建，未必能复现这张价目表。
成本一旦降下来，智能体的设计就会变形
贵的时候，工程师会给 agent 加各种刹车：限制循环次数、压缩上下文、只在关键节点上大模型。便宜之后，这些约束反而成了多余的自我设限。并行跑八条候选路径、让模型自己多试几轮、失败就整段重来——这些策略在 6 美元一次的成本下想都不敢想，在 0.43 美元下只是算术题。真正被这个价格改写的，是团队敢让 agent 干多长的活。
什么情况下这十五倍会被吃回去
如果成功率需要靠三次重试才能追上对手，成本优势立刻砍掉三分之二。如果失败任务的 token 消耗远高于成功任务——这在编码场景里相当常见——实际均价还会往上飘。标价是最理想情况下的单价，账要按自己的任务分布来算。
Agent Arena 第三名，比基准更值得琢磨
榜单上的位置是别人打出来的
基准成绩由厂商自己跑、自己报，天然带着选择偏差。Agent Arena 不一样，它按实际对局排名，DeepSeek-V4.1-Flash（Max）在开源模型里排到第三。这个名次比 74.34% 更有说服力，因为它是被对手和测试环境共同决定的，没有挑选的余地。
首发窗口本身就是一种信号
Fireworks 在模型发布的第一时间给出完整的三组基准，动作很快。推理服务商的竞争早就不在"能不能跑"，而在"多久能跑、跑得贵不贵"。谁先把新模型的性价比摸清楚，谁就先拿到那批预算敏感、又急着上 agent 的客户。
便宜模型的坑，通常藏在平均值之外
尾部任务才是分水岭
74.34% 意味着每四道题里就有一道没过。这四分之一长什么样，决定了一个模型能不能进生产——是那种一眼可见的语法错误，还是需要理解整个代码库意图的隐性 bug？前者重试一次就能补上，后者会把重试成本堆成雪球。基准报告给的是均值，团队要的是尾部。
换模型从来不是换个 API 地址
提示词要重调，工具调用的格式要重测，缓存策略要重算。一个模型在 A 框架里表现良好，换到 B 框架里可能因为工具描述格式不匹配而掉十几个点。迁移成本真实存在，评估的时候别只算 token 单价。
该不该切过去
现在就值得试的情况
任务边界清晰、单次执行时长可控、失败可以无脑重试的场景——代码补全、单元测试生成、日志分析、批量重构，这些是 0.43 美元单价最直接的受益者。先跑一批影子流量，把自己的任务分布喂进去，比看任何榜单都准。
建议再等等的情况
需要长周期上下文保持、需要跨会话记忆、或者单次失败代价极高的任务，先别急着换。这类场景下模型之间的差距会被放大，省下来的钱很可能被一次事故抵消。等社区把真实工作负载的复现结果攒够，再动手不迟。
