DeepSeek V4.1 Flash 發布後，DeepSeek 網頁版和 App 也更新了，之前需要選擇的「快速」、「專家」和「識圖」都合併升級為一個入口。

全新的 DeepSeek V4.1 Flash 同時具備了日常對話、圖片理解與複雜問題解決能力，看起來像是把過去這一個多月，DeepSeek 發布的 V4 Flash 正式版、Vision Exp、V4 Pro 正式版幾個模型，全部融合在一起了。

在社交媒體上，大家對 V4.1 Flash 最多的評價就是「快」。

有網友展示自己在 DeepSeek Harness 內的對話，模型的運行速度是 217 tok/s 左右。而其他的測試結果顯示，V4.1 Flash 的運行速度為 420-507 tok/s ，比 Gemini 3.8 Flash 還要更快。

本來是融合了好幾個模型，主幹參數也接近上一代 Flash 的兩倍，從 284B 到了 552B，但怎麼速度就變快了。

雖然 4.1 看着是一次小更新，但從 DeepSeek 公開的技術報告來看，V4.1 Flash 採用了重新設計的模型架構，並擴大了訓練數據和強化學習規模。

參數的增加，但處理長輸入和保存上下文所需的開銷卻降低了，因為每 Token 的全局 KV cache 只有 890 字節，是自家 V4-Flash 的四分之一；和 2023 年的初代 DeepSeek-V1 相比，縮小了約 437 倍。

總參數變多，但是用來每一次工具調用、每一輪對話，模型上下文的 KV cache 卻減少了，而減少的 KV cache 也沒有因此讓 V4.1 Flash 變弱，在多個 Agent 基準測試上，它打平甚至反超了 Claude Opus-5 和 GPT-5.6 Sol。

我們分析了 V4 Flash 和 V4.1 Flash 的兩篇論文技術報告，看到了 DeepSeek 在 Agent 時代到底要做什麼樣的高效率模型。

圖｜論文地址：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf

模型變大，成本怎麼降下來

所謂的 KV cache 可以理解為模型處理過內容後留下的中間狀態；後續生成需要參考前文時，複用這些狀態，可以省下重新計算的開銷。

而當我們的上下文越長時，這個用來保存模型狀態的工作台台面就會越大，佔的顯存越多。

DeepSeek 四代模型的演化，可以說就是在不斷地對 KV cache 進行壓縮，從 V1 的每 token 389 KB，到 V3.2 的 48 KB、V4-Flash 的 3.5 KB，再到今天的 890 字節，連 1 KB 都不到。

V4.1-Flash 採用的做法是一組組合拳。在架構上，40 層網絡被修改成「編碼器 + 解碼器」兩半（CED 架構），Causal Encoder-Decoder，簡稱 CED。

它把 40 層網絡分成前後兩部分：前 20 層是因果編碼器，後 20 層是解碼器。後半部分需要的全局 KV 緩存，可以直接由前半部分的最終輸出生成，因此，大部分輸入內容無需再完整經過後 20 層。

即解碼器需要的全局記憶直接由編碼器的輸出投影生成，預處理長文本的計算量近乎減半。這對頻繁調用工具、緩存經常不命中的 Agent 負載尤其省錢。

圖｜DeepSeek 各代模型在不同上下文長度下的單 Token 解碼（Decode）FLOPs 對比。

具體來說，假設我們讓 AI 幫忙選一批辦公電腦，看產品資料、查價格、列出配置，最後給採購建議。

第一輪，它讀了幾款電腦的介紹。第二輪，我們補充預算，讓它重新篩選。第三輪，我們又接着說，有兩個崗位需要剪視頻，配置得單獨調整。

就這樣每次我們只補充一句話，模型處理的內容卻可能越來越長。要接着完成任務，它需要記得前面選過哪些型號、為什麼淘汰某一款、預算是多少，以及哪些要求啱啱發生了變化。

V4 是標準的 decoder-only，整個模型「讀」和「寫」用同一套全部工序。給它一段 100 萬 token 的輸入，每個 token 都要完整穿過全部 43 層。

現在 V4.1 Flash 大部分只需經過前半段，後半程的解碼器不用再把原文逐層過一遍，而是直接拿編碼器讀完之後「消化好的筆記」，技術上是把編碼器最後一層的隱狀態投影成解碼器的全局 KV cache，然後基於這份筆記開始生成。

圖｜V4 Flash 和 V4.1 Flash 架構區別

這樣一來，模型處理輸入時，每個 token 激活約 80 億參數；生成時，激活約 160 億參數。對於足夠長的輸入，技術報告給出的預處理計算量接近減半。

可以說 V4.1 Flash 的 CED 這套結構就是衝着 Agent 負載設計，它優先節省的，正是 Agent 不斷接收材料時的計算。資料越長，省去大部分輸入在後半網絡中的處理，就越有價值。

其次，注意力機制升級為 CSA2，讓不同層之間可以「借用」彼此算好的索引和緩存，而不是各算各的；主 KV cache 更是用上了 FP4 量化，並且特意選了 OCP 開放標準格式，理由是「支持儘可能多的硬件平台」。

V4.1-Flash 的 Compressed Sparse Attention 2，簡稱 CSA2，是讓多個網絡層共享全局 KV 緩存。有的層負責建立緩存、挑出相關位置；後續層可以沿用這份緩存，重新選擇自己需要的位置；還有一些層連選擇結果也直接複用。

上一代部署方案會把全局和部分局部 KV 狀態長期保存，以便用戶重新生成答案，或繼續多輪對話。但局部狀態往往只在活躍會話的短時間內有用，長期保留會佔用大量存儲。

V4.1-Flash 把編碼器的局部狀態放進只保留幾分鐘的內存池。狀態過期後，如果用戶又繼續任務，就重新計算最近 128 個 token，近似恢復需要的局部狀態。DeepSeek 將這個辦法稱為 SWA Bounded Replay。

它用少量重算，換掉了長期保存這部分狀態的開銷。移走局部狀態，再疊加全局緩存壓縮，同等負載下，持久 KV 緩存佔用降到上一代的約八分之一，且可以保證駐留 72 小時以上。

換句話說，用戶三天內回來繼續對話，服務商都不用重新付錢算一遍。

這種近似恢復的方案也會帶來取捨，恢復結果與完整重新計算並不完全相同，DeepSeek 在報告中稱已測場景中的質量影響很小，並把極端長上下文檢索、會話恢復時的狀態變化列為後續重點測試對象。

此外，V4.1 Flash 對比 V4 Flash 的不同，還在於 552B 主幹之外，模型還外掛了 196B 的「條件記憶」模塊 Engram：它不做計算，只做查表。

通過把常見詞的 2 到 4 個組合預先存成一張巨大的哈希表，用到時直接查出來接進網絡，DeepSeek V4.1 Flash 的成本又能進一步下降。

省下計算和存儲之後，模型還得把題做對

V4.1-Flash 使用了包含圖像和文本的 45 萬億 token 預訓練語料。它從語言模型預訓練開始就接觸多模態數據，圖像經過視覺編碼器處理後，與文字一起進入語言主幹。

這讓 Agent 可以直接利用截圖檢查工作。例如，在生成網頁或辦公文件後，讀取渲染出來的畫面，判斷排版、圖表或頁面是否需要修改。工具返回的文字結果之外，模型多了一種檢查依據。

後訓練部分，DeepSeek 也寫得相當明確：這次沿用了監督微調、強化學習和蒸餾，沒有引入新的後訓練算法。團隊主要投入在訓練數據和環境的生產上。

這似乎也在說，RL 的軍備競賽，主戰場可能不在論文裏的新算法，而在數據工程的水電煤。

他們把一道 Agent 任務拆成三個部分：問題、執行環境、驗證系統。模型要面對足夠難的要求，環境得能運行，驗收也要與題目對應。

通用 Agent 的材料，來自內部員工和外部合作伙伴反饋的工作記錄、工具接口與失敗案例。團隊據此重建工具的輸入輸出格式和行為約束，讓模型可以在模擬環境中反覆練習實際工作裏出過錯的步驟。

圖｜DeepSeek 會不斷讀取圖片來檢查結果

以編程任務為例，有的 AI 負責出題、準備工作環境，有的負責試做，還有獨立的 AI 檢查題目和驗收要求是否一致、答案有沒有泄漏、能不能靠鑽漏洞過關。檢查不過，就修好題目再試。

任務用於新一輪強化學習後，解題軌跡又會成為重新審核題目質量的材料。某個測試如果一直誘導模型鑽空子，或者失敗源於環境配置而非能力，這些問題就需要回到任務生產環節處理。

圖｜在 DeepSeek Harness 的 Minimal 模式下，隨着強化學習（RL）訓練規模的擴大，模型在各項代碼智能體基準測試中的性能均有所提升。

在 DeepSeek 的歸納中，這次後訓練的收益主要來自任務規模、多樣性和可驗證性的改善。模型做過更多類型的工作，也更頻繁地得到與結果相關的反饋。

工具軟件本身也會影響表現，DeepSeek 用不同工具框架測試同一個模型，發現系統提示、工具配置和歷史信息管理的差異，都可能改變任務結果。

DeepSeek 在報告中表示，後續會繼續擴大模型、數據和強化學習規模，並把模型與工具框架放在一起優化。

V4.1-Flash 目前是這一新架構系列中最小尺寸的模型，未來的 V4.1-Pro 或許會延續這一架構，但從上次 V4 Pro 正式版的經歷來看，DeepSeek 顯然不會再輕易就發布一款新的 Pro 模型。

Agent 測試進步明顯，難題仍有差距

能力提升最集中地出現在 Agent 測試中。

在 DeepSeek 公布的最高推理檔位結果裏，V4.1-Flash 的 DeepSWE v1.1 軟件問題解決率達到 74.2%，上一代 Flash 為 54.4%，V4-Pro 為 62.7%。同一測試表格中的 Opus-5 為 74.0%，GPT-5.6 Sol 為 73.0%。

Terminal-Bench 2.1 的成績從 82.7 升到 90.6；面向工作自動化的 AutomationBench，則從 37.7 升到 54.8，也高於同表中的 V4-Pro、Opus-5 和 GPT-5.6 Sol。

最難的任務仍然拉得開距離。Terminal-Bench 4.0 上，新 Flash 從上一代的 7.0 提高到 31.2，但 Opus-5 為 51.8。在高難科學問答 GPQA Diamond 上，V4.1-Flash 的 90.9 也低於 V4-Pro 的 92.4。

原生視覺帶來了新的可用範圍，領先模型的優勢也還在。帶工具的專業圖表測試 Chartography 中，V4.1-Flash 得到 78.9，高於 Kimi K3 的 68.1，低於 Opus-5 的 84.0。

模型的表現，還會受 Agent 框架影響。同一個 V4.1-Flash，在最高推理檔位下，用 mini-SWE 跑 DeepSWE 得到 74.2，換成 Claude Code 為 69.8，Codex 為 65.6。系統提示、工具定義和上下文管理，都會影響模型能否把能力用出來。

另一方面，更長的思考也會增加賬單。

DeepSeek 在強化學習中加入了隨推理檔位變化的長度懲罰，讓同一模型學會用不同長度的推理處理任務。API 提供 low、high、max 三檔，分別對應內部 50、75、100 的 effort 值。

圖｜報告中的總體趨勢是，增加推理投入能改善成績，但圖表也出現了更高檔位得分下降的情況。

在 V4 Flash 報告的結尾，DeepSeek 列了 7 條未來方向，包括架構精簡、訓練穩定性、稀疏嵌入、低延遲、長程 Agent、多模態，和數據合成，5 個月後 V4.1 似乎正逐條解決這些問題。

模型可以更大，思考可以更長，工具也可以調用更多次。只要最終把任務做完所需要的顯存、延遲和總成本繼續下降，它就依然是一款更便宜的模型。

從 7 月底發布 V4 Flash，到 8 月推出 V4 Pro，很快又更新了視覺推理預覽模型 Vision Exp，再到這兩天更新 V4.1 Flash，DeepSeek 的整體發布節奏對比過去一年，似乎是前所未有的快。

而過去那些卷 Benchmark 的分數，也會在一次次接近 100 分之後，開始卷速度，卷每秒處理的 Token 誰更多。