DeepSeek-V4.1-Flash 釋出：非對稱 MoE，KV cache 縮到 1/4
9 月 10 日，DeepSeek 釋出 V4.1-Flash。官方把它定義為新架構家族裡最小的一個模型，具備原生視覺理解能力，引數量為 552B 的 MoE（混合專家）。這次釋出的關鍵詞不是「更大」，而是「更省」：用一套非對稱的架構，把推理時的開銷壓下來，同時讓成績反超自家旗艦。
非對稱架構：輸入只啟用 8B
MoE 的基本思路是：模型整體引數很多，但每次只調用其中一部分「專家」，所以真正參與計算的是啟用引數。V4.1-Flash 用的是新的「因果編碼器-解碼器」架構，非對稱就體現在這裡——輸入側只啟用 8B 引數，輸出側啟用 16B。為什麼這樣切分合理？因為讀入上下文和逐字生成的計算特性不同：輸入階段要一次性處理很長的上下文，輸出階段則是一個 token 一個 token 地往下走，兩端的需求本就不一樣。
先補一點背景。所謂編碼器-解碼器，是說系統把「讀進來的部分」和「寫出去的部分」分成兩段處理：編碼器一次讀完整段輸入，解碼器再逐個 token 生成結果；「因果」強調的是生成時只能看到已經生成的內容，不能提前知道後面是什麼。這個劃分在服務端還有一層現實含義——輸入階段要一口氣並行處理很長的上下文，是典型的算力密集；輸出階段是逐 token 往下推，更吃視訊記憶體頻寬。兩段分開設計、給不同的啟用引數，才有可能把整體開銷壓下來。Agent 場景對快取格外敏感，原因在多輪。一次工具呼叫迴圈裡，系統提示、工具定義、逐步累積的歷史都要重新送進模型，而其中大部分字首是重複的。如果這部分能被快取命中，服務方就不必重新計算，使用者也只需按更低的價格付費；反過來，一旦快取不命中或者快取本身太大，視訊記憶體被佔滿、重複計算變多，賬單和延遲會一起上去。這正是「KV cache 縮到四分之一、SSD 佔用縮到八分之一」值得單獨拿出來說的原因。
收益直接落在 KV cache 上。KV cache 是推理時把注意力的鍵值快取下來、避免重複計算的那部分狀態；多輪對話和 Agent 任務反覆複用同一段字首，這部分佔用會迅速膨脹。相比上一代，V4.1-Flash 的 KV cache 只需要四分之一的 HBM 視訊記憶體、八分之一的 SSD 儲存。對服務方來說，這直接換成更低的視訊記憶體與儲存賬單；對使用者來說，Agent 場景裡快取命中費本來就是成本大頭，快取變小、命中變便宜，任務的總成本就跟著下來。
另一個值得注意的結果是：配合新的預訓練方法與更大規模的 RL 後訓練，V4.1-Flash 的基準成績反超了自家旗艦模型，官方點名包括 DeepSeek-V4-Pro。換句話說，這一代的「小模型」不是靠削能力換成本，而是靠架構與訓練方法，把更少的啟用引數用出了更高的水平——至少在這批基準上是這樣。
「更小的模型反超更強的模型」聽起來反直覺，但在這條路線上並不荒唐。同一代預訓練方法與後訓練配方的改進，可以先把更小的模型推到接近旗艦的水平；而 MoE 的總引數大、啟用引數小，本就意味著它有更多的「可呼叫容量」而每次只付一部分計算成本。當架構改動同時降低了單位計算與單位儲存的開銷，小檔位在價效比上超過上一代旗艦，就是可以預期的結果。
上線、退役與價格
API 側的變化很快。V4.1-Flash 以 deepseek-flash 的名字提供，同時啟用新價格；V4-Flash 與 V4-Flash-Vision-Exp 隨即退役，為了相容，舊 id deepseek-v4-flash 與 deepseek-v4-flash-vision-exp 會暫時路由到 V4.1-Flash。這意味著只改模型名、不動程式碼的遷移路徑是通的。
旗艦的處置更徹底。官方表示，多方測試顯示 V4.1-Flash 在效能、成本、速度與總執行時間上都優於 V4-Pro，因此他們正在逐步淘汰 V4-Pro。從 2026 年 9 月 14 日 04:00 UTC 起，所有 deepseek-v4-pro 的請求都會按 V4.1-Flash 的價格路由到 V4.1-Flash，這一狀態會持續到 V4.1-Pro 上市。一個「Flash」檔把旗艦送下場，這本身就是模型迭代速度的註腳。
價格結構也值得算一算。低峰價是高峰價的一半，意味著把可以排期的工作放在低峰跑，同樣的 token 量直接省一半；再疊上快取命中費的下降，Agent 這類「字首極長、反覆複用」的負載省得更多。對預算固定的團隊，這不是抽象的百分比，而是能多跑多少輪的差別——同樣的錢能支撐更長的工具呼叫鏈，也就意味著能接更靠後的任務。
價格沿用高峰與低峰兩檔：低峰價是高峰價的 50%，官方建議把時間安排靈活的工作挪到低峰跑。新的價目在 2026 年 9 月 10 日 04:00 UTC 生效。這套組合的邏輯是清楚的——架構更省，就可以「服務更多使用者、同時把省下來的錢讓出去」，而分時定價則用來把需求攤平。
對想自己做部署的一方，開源這條線的意義在於門檻。官方將模型與技術報告一併公開在 Hugging Face，並明確說要和社群一起把推理支援做起來；啟用引數只有 8B 與 16B，也讓「用得起」這件事不止停留在雲 API 上。換句話說，這一代除了壓成本，還在把「自己跑一遍」從口號變成可操作的選項。
開源與部署
DeepSeek 表示會與開源社群緊密合作，支援 V4.1-Flash 的推理部署，並探索更多部署方式；模型與技術報告都已在 Hugging Face 公開。合作伙伴方面，WorkBuddy（含 CodeBuddy）與 OpenCode 已經全面支援 V4.1-Flash。官方還在公告裡直接向大部署方喊話：如果計劃做 2000 張 GPU 加儲存叢集規模的部署，可以聯絡他們。
把這件事放回 DeepSeek 自己的產品線裡看，它的前一步是強調「平價百萬 token 上下文」的 V4 Preview，方向是一貫的：先讓長上下文的單價降下來，再用架構把快取成本壓下去。對使用者而言，最實際的問題是 Agent 能不能長跑——單次上下文越長、複用越頻繁，快取與視訊記憶體的佔用越致命，而這恰恰是這一代改動最集中的地方。
所以這次釋出的意義不在「又一個小模型」，而在於它證明了兩件事：非對稱的編解碼結構可以把快取開銷砍到四分之一量級而不犧牲基準成績；以及在這個迭代速度下，今天的旗艦很可能明天就要給一個更便宜的兄弟讓位。對做 Agent 的團隊來說，這意味著同樣的預算能跑的步數變多了；對競爭對手來說，這意味著成本線的下移還會繼續。