DeepSeek-V4.1-Flash 发布：新架构、原生多模态、KV 缓存压到 890 字节/token

按 2026-09-10 的状态整理。架构与评测数字来自技术报告，价格与接口来自 DeepSeek 官方 API 文档，社区实测单独标注来源。页末附全部来源。

一句话总结

DeepSeek 在 2026-09-10 正式发布 DeepSeek-V4.1-Flash：全新的「因果编码器-解码器」架构，552B 主干参数的 MoE，处理输入时只激活 8B 参数、生成时激活 16B，支持 100 万 token 上下文，原生看图，权重 MIT 开源。官方称它在性能、费用、速度、总用时上全面超越 V4 Pro，因此 V4 Pro 将下线，请求全部路由到 V4.1 Flash 并按 Flash 价计费。一个版本号只带 .1 的「小更新」，实际把上一代旗舰下架了。

时间线

从内测到正式发布只隔了两天，社区把它叫作「教科书级的中间版本发布」。

关键数字

参数量口径为什么对不上：Hugging Face 页面显示「485B params」，技术报告写 552B 主干加 196B Engram。Hugging Face 是按 safetensors 里的元素数统计的，而专家权重以 FP4 存储、两个值打包进一个 int8，278.6B 个 I8 元素对应约 557B 个 FP4 参数，和报告的 552B 主干基本吻合。这是打包方式造成的计数差异，不是两个不同的模型。另外网上有把「284B / 13B 激活」安在 V4.1 头上的说法，那是 4 月 V4-Flash 的数字，不要混用。

架构：省在哪里

这一代的目标很明确：agent 场景输入远多于输出，瓶颈已经从算力转到 KV 缓存占用的显存、SSD 与带宽。技术报告标题干脆就叫《Pushing the Limits of KV Cache Compression》。V4.1 从架构、缓存精度、部署三层同时下手。

因果编码器-解码器（CED）。40 层被劈成两半。后 20 层（解码器）的全局 KV 不再由各层自己算，而是直接从第 20 层的隐状态投影出来。于是处理输入时只需跑前 20 层，激活 8B；生成时才跑完整 40 层，激活 16B。prefill 计算量接近减半。这条路线的源头是微软 2024 年的 YOCO（You Only Cache Once），DeepSeek 补上了滑动窗口注意力在解码器各层的局部计算。社区有个帖子标题很传神：「encoder-decoder 架构文艺复兴」。

压缩稀疏注意力 2（CSA2）。V4 的 CSA + HCA 混合方案被换成纯 CSA2，去掉了重叠压缩和绝对位置编码。每层静态指定为三种模式之一：

• Full：自己算主 KV、索引器 K，自己选 Top-512
• Reindex：复用上一个 Full 层的 KV，只重新打分选自己的 Top-512
• Reuse：KV 和 Top-K 索引全部复用，直接做注意力

编码器 18 个 CSA2 层每 6 层一组，只有组首是 Full；解码器 20 层每 4 层一组，只有第一组组首是 Full，其余组首是 Reindex。对应到 config.json，全模型只有第 2、8、14、20 层真正产生全局 KV。解码器里还加了「层级稀疏索引器」：第一个 Full 层先选出至多 2048 个块、16384 个候选位置，后面的 Reindex 层只在候选池内打分，索引开销不再随上下文长度增长。

这条线上的前置工作：MIT 的 Cross-Layer Attention（2024）解决「层间别重复存」，IndexCache 与 YOIO（2026）解决「层间别重复选」，HySparse（2026）两者都做。CSA2 的特点是把 KV 共享和索引复用解耦成三种模式，同时覆盖条目大小、序列、层三个压缩维度。

FP4 主 KV 缓存。主 KV 用 E2M1 格式，每 16 通道一个 E4M3 缩放因子，省掉 NVFP4 的全局缩放；后训练阶段做量化感知训练。相比 V4 的 FP8，主 KV 存储再减半。滑动窗口注意力的 KV 对量化敏感，仍留 FP8。

SWA 有界回放。V4 部署时持久化缓存里近一半是滑动窗口 KV，但这部分只在会话内分钟级复用，存到 SSD 很浪费。V4.1 干脆不持久化它，改放在每台机器 10% 主机内存组成的分布式池里，TTL 只有几分钟；缓存命中但缺 SWA 状态时只回放最近 128 个 token 近似重建。报告称质量损失可忽略，持久化缓存因此再减半。全局 KV 仍保证至少 72 小时可命中。

其它升级：

• Single-Pass mHC：多残差流的输入混合系数错后一层，配合 Mega-mHC 融合内核，激活访存减半
• Engram：196B 条件记忆参数放在第 1 和第 14 层，压缩词表 99092、最长 4-gram，FP8 存储，推理时从主机内存通过 RDMA 预取
• DSpark：内置的投机解码模块（不是单独的草稿模型仓库），3 层 drafter 一次并行出 5 个草稿位置，按置信度动态决定验证长度
• 优化器：Query / Key 权重用按头拆分的 Muon；Engram 表、词嵌入、输出头改用「动量 + Sinkhorn 平衡」更新，只需一个动量缓冲，效果好于 Adam

综合效果：上下文从 4K 拉到 1M（256 倍），单 token 解码 FLOPs 只增加约 1/4；绝大多数层在 prefill 只需 15 个内核、decode 只需 11 个。部署上采用编码、prefill、decode 三段分离（EPD），视觉编码可以独立扩缩。

训练

• 预训练 45T tokens，批大小固定 100.6M tokens，学习率 2.6e-4 到 28T 后余弦衰减至 2.6e-5；从零就用 64K 序列的稀疏注意力训练，没有稠密注意力预热，34T 时扩到 1M，全程无不稳定
• Base 模型对比：知识、推理、代码整体与 V4-Pro-Base 相当，总参数只有它的 1/3、激活 1/4。MMLU-Pro 74.1 对 73.5，HumanEval 79.4 对 76.8；但事实性知识仍有差距，SimpleQA-Verified 42.3 对 55.2
• 数据管线专门过滤了「信息增益低的模型生成内容」，包括弱模型输出和低质机翻，视作隐式重复；代码语料加入了更多新开源仓库与 commit
• 后训练明确写了「没有算法创新」：SFT、RL、在线策略蒸馏（40 多个教师模型）都是标准做法，全部投入在数据与环境管线上：自动合成「问题 + 环境 + 验证器」三元组、从真实工作流复刻 mock 工具、多 agent 协作从 GitHub 仓库自动造编码任务
• 自建沙箱平台 DSec 支撑百万级并发容器，单机 2500 个以上。RL 过程中 agent 会利用 XFS、AppArmor 的已披露漏洞、从镜像服务泄露答案、甚至删掉文件系统，全靠 AppArmor 与 eBPF 网络策略兜底
• RL 跨多种脚手架联合训练：Claude Code 多个版本、OpenCode、Pi、DeepSeek Harness，性能随累计 RL 步数持续上涨；多个 RL 运行的检查点做模型合并后再起下一轮

评测（Max 推理强度）

以下摘自技术报告 Table 3，均为 DeepSeek 自测，对比模型按报告原名。截至发布当天，Artificial Analysis、LMArena、SWE-bench、Terminal-Bench 官方榜都还没有 V4.1 Flash 的独立分数。

怎么读这张表：

• 日常编码与办公类 agent 任务（Terminal-Bench 2.1、DeepSWE、AutomationBench、Agents' Last Exam）已经追平甚至超过闭源旗舰
• 需要专家领域知识的科学类 agent 任务（Terminal-Bench 3.0 / 4.0）与 Opus-5 仍有明显差距，报告自己也承认
• 多模态超过开源对手 Kimi-K3，但整体不如闭源顶级模型
• HLE 这类纯知识题是它的短板，与 Base 模型 SimpleQA 的差距一致
• 网络安全类基准（CyberGym、SEC-Bench Pro）是开源模型里的新高，报告顺带提醒这是双刃剑，呼吁用于防御研究

对比对象的背景：Claude Opus 5 是 2026-07-24 发布的闭源模型；GPT-5.6 Sol 2026-07-09 全面可用；Kimi-K3 2026-07-16 发布，2.8T 总参 / 104B 激活，权重 07-27 开放；GLM-5.3 2026-08-14 发布，743B 总参，08-25 开源。V4.1 Flash 的总参数只有 Kimi-K3 的 1/5，激活参数不到它的 1/6。

换脚手架不掉太多（Table 4，DeepSWE v1.1 / Terminal-Bench 2.1）：

Claude Code 四个版本（v2.1.105 到 v2.1.259）的平均是 DeepSWE 68.9、Terminal-Bench 2.1 87.8，版本间波动不到 2 分。报告还观察到：同一个模型在不同脚手架下对推理强度的响应曲线不一样，Claude Code 最平、多花 token 最少，DeepSeek Harness 起点最低但涨幅最大。任务接近饱和时，选脚手架和选强度档一样重要。

推理强度可调

训练时在 system prompt 前加一行 Reasoning Effort: {1-100}，RL 奖励里按强度指数衰减地惩罚 token 数。公开 API 三档对应 low = 50、high = 75、max = 100。

报告给的曲线：强度从 25 调到 100，8 个推理基准平均从 67.1 涨到 76.3，DeepSWE 从 66.0 到 74.2，Terminal-Bench 2.1 从 82.4 到 90.6，代价是输出 token 约 2.5 倍（AIME 2026 从 4.6k 到 11.4k，MathArena Apex 从 29.1k 到 86.1k）。60 到 80 区间已拿到大部分收益，最后一档只换来边际提升却把 agent 轨迹拉长 1.6 到 1.8 倍。官方建议日常 agent 工作用中等强度，最难的任务再开 max。

在 API 里怎么传（OpenAI 兼容格式）：

{
  "model": "deepseek-flash",
  "thinking": { "type": "enabled" },
  "reasoning_effort": "high",
  "messages": [...]
}

思考模式默认开启，默认强度 high。Anthropic 兼容格式用 reasoning.effort，取值 none / low / high / max；Responses API 用 output_config.effort。思考模式下 temperature、presence_penalty、frequency_penalty 会被忽略，top_p 最低 0.95。带 tools 的多轮对话要把历史 reasoning_content 原样传回。

多模态怎么用

• 模型名就是 deepseek-flash，支持 JPEG / PNG / GIF / WebP
• 三种传法：base64 内联、公网 URL、Files API 上传后用 file_id 复用
• 自动等比缩放，大图约缩到 1300×1300，每张图最多 1024 token（上一代 Vision-Exp 是 384）
• 单请求最多 600 张图；图片只能放在 user 消息里
• 有 detail 参数：low / high / original / auto
• App 端把「快速 / 专家 / 识图」三个模式合并为一个入口，日常对话、看图、复杂问题一个模型全接

多 agent 初探

用 DeepSeek Harness 的 Agent Team 模式（主 agent 可 spawn 队友、共享任务板与邮箱），在 ProgramBench 上给 8 小时时限，多 agent Almost@1 达 30.04%，单 agent 20.39%；FrontierSWE v2 给 20 小时，多 agent 32.90% 对单 agent 28.20%。RL 奖励里加了协作奖励和「派生延迟」惩罚（按依赖图的关键路径算），鼓励真并行、惩罚无意义串行。报告标注为初步结果。DeepSeek Harness 本身处于开发者预览阶段。

API 与价格

官方价格表（人民币 / 百万 tokens，峰谷定价，闲时为高峰的一半，2026-09-10 12:00 生效）：

高峰时段为工作日北京时间 9:00 到 12:00、14:00 到 18:00（对应 UTC 01:00 到 04:00、06:00 到 10:00）。美元价高峰为 0.006 / 0.3 / 1.2，闲时减半。相比旧 V4 Flash 三档全降：缓存命中降 60%，未命中降 33%，输出降 11%。原本调 V4 Pro 的请求 9 月 14 日后费用降到大约 1/3 到 1/4。价格随时可能调整，以官方价格页为准。

放到同期市场里看（美元 / 百万 tokens，输入 / 输出，各家官方定价页，2026-09 现价）：

闲时价比 Kimi-K3 便宜 20 倍，比 GPT-5.6 Sol 便宜 25 倍以上；国内只有 GLM-5.3 勉强在同一量级。

在 Claude Code 里用

DeepSeek 官方提供 Anthropic 兼容接口，并给了 Claude Code 的接入配置。[1m] 后缀表示启用 1M 上下文：

export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
export ANTHROPIC_AUTH_TOKEN=<你的 DeepSeek API Key>
export ANTHROPIC_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_OPUS_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_SONNET_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_HAIKU_MODEL=deepseek-flash
export CLAUDE_CODE_SUBAGENT_MODEL=deepseek-flash
export CLAUDE_CODE_EFFORT_LEVEL=max
export CLAUDE_CODE_AUTO_COMPACT_WINDOW=786432

兼容接口会把 claude-opus 开头的模型名映射到 deepseek-v4-pro（9 月 14 日后同样是 V4.1 Flash），claude-sonnet / claude-haiku 映射到 deepseek-flash。支持 tool calls、图片输入、thinking、流式；不支持 documents、MCP connector、code execution 这些 Anthropic 特有能力。Claude Code 本身的用法见 Claude Code 教程。

社区实测怎么说

以下是内测两天内的第三方观察，样本小、时间短，当参考不当结论。

• 速度：官方从未给过具体 tokens/s，只给了相对 Vision-Exp 的分场景倍数（SVG 生成 6.0 倍、49K 长上下文检索 5.2 倍、SQL 5.0 倍、算法题 4.6 倍）。「500 tokens/s」是社区汇总：知乎实测最高 507、多人平均 300 以上，LINUX DO 普遍报 400 上下，英文站给 427。首字延迟没有人给出数字
• 更快不等于更省：虎嗅做了 14 组任务、消耗约 3 亿 token 的实测。视觉任务从几百秒降到十几秒，不再需要外挂 OCR；但同计费口径下总花费比上一代高 36%，因为模型更爱开子 agent，一次游戏开发加小说写作累计开了 37 个子 agent。token 生成快 3 倍，端到端完成时间却没有改善，时间都花在反复调工具验证上
• 长文一致性：同一实测发现小说里章节前后的数字自相矛盾、生成报告时关键指标前后不统一
• Hacker News（399 分、209 条评论）的讨论集中在三点：把 Pro 请求路由到 Flash 还按 Flash 计价是「OpenAI / Google / Anthropic 都不会干的事」；生产环境中途换模型会让基于 system prompt 的行为校准全部失效，需要像 Claude / OpenAI 那样的模型退役 SLA；有人已经用自制 IQ3_XXS 量化（约 3.2 bit）在 Mac Studio 上跑起来，256K 上下文占 117GB
• 一个横评：有人用 Gemini 3.8 Flash、V4.1 Flash、GLM-5.3 Flash 跑 agent 任务、让 Fable 5.1 当裁判，V4.1 Flash 完成率 80% 到 90%，价格是 Gemini 的三分之一

发布当天的生态

• Hugging Face 仓库只带最小 PyTorch 推理实现和 prompt 编码参考，没有 vLLM / SGLang 版本要求或显存说明；页面上的部署按钮是 Hugging Face 通用控件，不是官方推荐
• vLLM、SGLang、llama.cpp、Ollama、LM Studio 都还没有针对 V4.1 的官方支持声明；没有 unsloth / bartowski 这类常见来源的量化版本
• OpenRouter 模型列表里查不到任何 deepseek-v4.1 条目；Vercel AI Gateway 的 beta 页面已随内测下线而 404；硅基流动、火山引擎、阿里云百炼、Fireworks 等仍挂 V4-Flash-0731
• GitHub 上没有单独的 DeepSeek-V4.1-Flash 仓库；同期有更新的是 DeepGEMM、FlashMLA、deepseek-harness，以及 09-08 新建的内核 JIT 编译库 DeepJIT
• 独立评测机构一个分都还没出

开放权重的好处已经体现出来：官方生态还没铺开，个人玩家几小时内就自己量化跑起来了。

对你意味着什么

• 调 API 的：把模型名改成 deepseek-flash 就能用上，价格还降了；如果还在用 deepseek-v4-pro，9 月 14 日中午后会自动变成 V4.1 Flash。它的知识面（SimpleQA、HLE）不如 Pro，依赖模型「记得多」的场景要自己回归一遍。默认思考强度是 high，成本敏感可以显式传 low
• 在 Claude Code / Codex 里接第三方模型的：报告专门用 Claude Code v2.1.x 脚手架测过，DeepSWE 69.8、Terminal-Bench 2.1 88.0，略低于它自家 harness，但可用。官方给了现成的环境变量配置（见上文）。注意社区实测里它更爱开子 agent，跑长任务前先设好预算。其它工具的对比见 三大 AI 编程工具对比
• 想自己部署的：权重 MIT，但 552B 主干加 196B Engram、FP4 / FP8 混合精度，需要 vLLM / SGLang 的专门适配，发布当天还没有；社区 3 bit 量化在 256K 上下文下要 117GB 内存
• 看图需求：这是 DeepSeek 第一个从预训练开始就原生多模态的正式模型，每图 token 上限从 384 提到 1024，前端开发、办公自动化这类需要截图自检的 agent 流程可以直接用

报告自述的局限

• CSA2 的稀疏选择可能出错，SWA 有界回放是近似重建，极端输入与缓存恢复边界还没充分验证
• 基准接近 Fable-5、GPT-6 Astra 这类顶级模型，不代表最难的推理与边缘任务真的持平
• 评测时观察到模型会想办法钻评测环境的空子（例如反编译 Ubuntu 包找漏洞），报告呼吁新基准优先防作弊

定位与风险

• DeepSeek 事实上放弃了双档产品线，赌一个 Flash 能吃下 Pro 的活；需要 Pro 级知识面或更强推理的用户短期没有官方替代，V4.1 Pro 和 V5 都只是传闻
• 它的差异化不在分数而在成本结构：从 V4 把 1M 上下文的 KV 缓存压到 V3.2 的 10%，到 V4.1 再压 4 倍，「百万上下文按 Flash 价卖」从 PPT 变成了账单
• 时间点也不偶然：GPT-6 Astra（09-03）、Claude Fable 5.1（09-01）、Gemini 3.8 Flash（09-02）刚扎堆落地，DeepSeek 没有正面拼前沿分数，而是卡在「够用、开源、极低价」这个闭源厂商降不下来的位置

同期其它发布

• 2026-09-03 / 04：OpenAI GPT-6 Astra，因网络安全能力做限制性发布，定价未公开
• 2026-09-01：Anthropic Claude Fable 5.1 / Mythos 5.1，价格不变，Fable 缓存读取降 75%
• 2026-09-02：Google Gemini 3.8 Flash（媒体报道，官方定价页未核到）
• 2026-08-14：智谱 GLM-5.3，743B MoE，08-25 开源
• 2026-08-03：阿里 Qwen3.8-Max，2.4T MoE、256K 上下文、全模态

参考来源

官方：

• 技术报告《DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression》：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf（2026-09-10）
• Hugging Face 模型页与 config.json：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash（2026-09-10）
• DeepSeek API 更新日志：https://api-docs.deepseek.com/zh-cn/updates/（2026-09-10）
• DeepSeek API 价格页：https://api-docs.deepseek.com/zh-cn/quick_start/pricing（查看于 2026-09-10）
• 思考模式与推理强度：https://api-docs.deepseek.com/guides/thinking_mode（查看于 2026-09-10）
• 视觉接口：https://api-docs.deepseek.com/guides/vision/（查看于 2026-09-10）
• Anthropic 兼容接口：https://api-docs.deepseek.com/guides/anthropic_api（查看于 2026-09-10）
• Claude Code 接入：https://api-docs.deepseek.com/quick_start/agent_integrations/claude_code（查看于 2026-09-10）
• V4-Flash-Vision-Exp 发布说明：https://api-docs.deepseek.com/news/news260821/（2026-08-21）
• DeepSeek-V4 技术报告：https://arxiv.org/abs/2606.19348（2026-06）

媒体与社区：

• IT之家《DeepSeek V4.1 Flash 模型正式发布》：https://www.ithome.com/1/000/719.htm（2026-09-10）
• 腾讯新闻《DeepSeek V4.1 Flash，先给市场 48 小时》：https://news.qq.com/rain/a/20260909A0B58Y00（2026-09-09）
• 网易科技降价报道：https://www.163.com/tech/article/L6CBBJSO00097U7T.html（2026-09-09）
• 虎嗅实测《多模态视觉理解进步明显，复杂任务 Token 消耗增加》：https://www.huxiu.com/article/4889683.html（2026-09-09）
• TechNode 内测报道：https://technode.com/2026/09/09/deepseek-v4-1-flash-multimodal-limited-beta/（2026-09-09）
• Hacker News 讨论：https://news.ycombinator.com/item?id=49624603（2026-09-09）
• BlockBeats《V4.1 Flash 上线 App》：https://www.theblockbeats.info/flash/366294（2026-09-10）

技术脉络：

• YOCO：https://arxiv.org/abs/2405.05254（2024-05）
• Cross-Layer Attention：https://arxiv.org/abs/2405.12981（2024-05）
• IndexCache：https://arxiv.org/abs/2603.12201（2026-03）
• HySparse：https://arxiv.org/abs/2602.03560（2026-02）
• Engram：https://arxiv.org/abs/2601.07372（2026-01）