DeepSeek-V4.1-Flash 发布：非对称 MoE，KV cache 缩到 1/4
9 月 10 日，DeepSeek 发布 V4.1-Flash。官方把它定义为新架构家族里最小的一个模型，具备原生视觉理解能力，参数量为 552B 的 MoE（混合专家）。这次发布的关键词不是「更大」，而是「更省」：用一套非对称的架构，把推理时的开销压下来，同时让成绩反超自家旗舰。
非对称架构：输入只激活 8B
MoE 的基本思路是：模型整体参数很多，但每次只调用其中一部分「专家」，所以真正参与计算的是激活参数。V4.1-Flash 用的是新的「因果编码器-解码器」架构，非对称就体现在这里——输入侧只激活 8B 参数，输出侧激活 16B。为什么这样切分合理？因为读入上下文和逐字生成的计算特性不同：输入阶段要一次性处理很长的上下文，输出阶段则是一个 token 一个 token 地往下走，两端的需求本就不一样。
先补一点背景。所谓编码器-解码器，是说系统把「读进来的部分」和「写出去的部分」分成两段处理：编码器一次读完整段输入，解码器再逐个 token 生成结果；「因果」强调的是生成时只能看到已经生成的内容，不能提前知道后面是什么。这个划分在服务端还有一层现实含义——输入阶段要一口气并行处理很长的上下文，是典型的算力密集；输出阶段是逐 token 往下推，更吃显存带宽。两段分开设计、给不同的激活参数，才有可能把整体开销压下来。Agent 场景对缓存格外敏感，原因在多轮。一次工具调用循环里，系统提示、工具定义、逐步累积的历史都要重新送进模型，而其中大部分前缀是重复的。如果这部分能被缓存命中，服务方就不必重新计算，用户也只需按更低的价格付费；反过来，一旦缓存不命中或者缓存本身太大，显存被占满、重复计算变多，账单和延迟会一起上去。这正是「KV cache 缩到四分之一、SSD 占用缩到八分之一」值得单独拿出来说的原因。
收益直接落在 KV cache 上。KV cache 是推理时把注意力的键值缓存下来、避免重复计算的那部分状态；多轮对话和 Agent 任务反复复用同一段前缀，这部分占用会迅速膨胀。相比上一代，V4.1-Flash 的 KV cache 只需要四分之一的 HBM 显存、八分之一的 SSD 存储。对服务方来说，这直接换成更低的显存与存储账单；对用户来说，Agent 场景里缓存命中费本来就是成本大头，缓存变小、命中变便宜，任务的总成本就跟着下来。
另一个值得注意的结果是：配合新的预训练方法与更大规模的 RL 后训练，V4.1-Flash 的基准成绩反超了自家旗舰模型，官方点名包括 DeepSeek-V4-Pro。换句话说，这一代的「小模型」不是靠削能力换成本，而是靠架构与训练方法，把更少的激活参数用出了更高的水平——至少在这批基准上是这样。
「更小的模型反超更强的模型」听起来反直觉，但在这条路线上并不荒唐。同一代预训练方法与后训练配方的改进，可以先把更小的模型推到接近旗舰的水平；而 MoE 的总参数大、激活参数小，本就意味着它有更多的「可调用容量」而每次只付一部分计算成本。当架构改动同时降低了单位计算与单位存储的开销，小档位在性价比上超过上一代旗舰，就是可以预期的结果。
上线、退役与价格
API 侧的变化很快。V4.1-Flash 以 deepseek-flash 的名字提供，同时启用新价格；V4-Flash 与 V4-Flash-Vision-Exp 随即退役，为了兼容，旧 id deepseek-v4-flash 与 deepseek-v4-flash-vision-exp 会暂时路由到 V4.1-Flash。这意味着只改模型名、不动代码的迁移路径是通的。
旗舰的处置更彻底。官方表示，多方测试显示 V4.1-Flash 在性能、成本、速度与总运行时间上都优于 V4-Pro，因此他们正在逐步淘汰 V4-Pro。从 2026 年 9 月 14 日 04:00 UTC 起，所有 deepseek-v4-pro 的请求都会按 V4.1-Flash 的价格路由到 V4.1-Flash，这一状态会持续到 V4.1-Pro 上市。一个「Flash」档把旗舰送下场，这本身就是模型迭代速度的注脚。
价格结构也值得算一算。低峰价是高峰价的一半，意味着把可以排期的工作放在低峰跑，同样的 token 量直接省一半；再叠上缓存命中费的下降，Agent 这类「前缀极长、反复复用」的负载省得更多。对预算固定的团队，这不是抽象的百分比，而是能多跑多少轮的差别——同样的钱能支撑更长的工具调用链，也就意味着能接更靠后的任务。
价格沿用高峰与低峰两档：低峰价是高峰价的 50%，官方建议把时间安排灵活的工作挪到低峰跑。新的价目在 2026 年 9 月 10 日 04:00 UTC 生效。这套组合的逻辑是清楚的——架构更省，就可以「服务更多用户、同时把省下来的钱让出去」，而分时定价则用来把需求摊平。
对想自己做部署的一方，开源这条线的意义在于门槛。官方将模型与技术报告一并公开在 Hugging Face，并明确说要和社区一起把推理支持做起来；激活参数只有 8B 与 16B，也让「用得起」这件事不止停留在云 API 上。换句话说，这一代除了压成本，还在把「自己跑一遍」从口号变成可操作的选项。
开源与部署
DeepSeek 表示会与开源社区紧密合作，支持 V4.1-Flash 的推理部署，并探索更多部署方式；模型与技术报告都已在 Hugging Face 公开。合作伙伴方面，WorkBuddy（含 CodeBuddy）与 OpenCode 已经全面支持 V4.1-Flash。官方还在公告里直接向大部署方喊话：如果计划做 2000 张 GPU 加存储集群规模的部署，可以联系他们。
把这件事放回 DeepSeek 自己的产品线里看，它的前一步是强调「平价百万 token 上下文」的 V4 Preview，方向是一贯的：先让长上下文的单价降下来，再用架构把缓存成本压下去。对使用者而言，最实际的问题是 Agent 能不能长跑——单次上下文越长、复用越频繁，缓存与显存的占用越致命，而这恰恰是这一代改动最集中的地方。
所以这次发布的意义不在「又一个小模型」，而在于它证明了两件事：非对称的编解码结构可以把缓存开销砍到四分之一量级而不牺牲基准成绩；以及在这个迭代速度下，今天的旗舰很可能明天就要给一个更便宜的兄弟让位。对做 Agent 的团队来说，这意味着同样的预算能跑的步数变多了；对竞争对手来说，这意味着成本线的下移还会继续。