DeepSeek V4.1 Flash 发布后，DeepSeek 网页版和 App 也更新了，之前需要选择的「快速」、「专家」和「识图」都合并升级为一个入口。
全新的 DeepSeek V4.1 Flash 同时具备了日常对话、图片理解与复杂问题解决能力，看起来像是把过去这一个多月，DeepSeek 发布的 V4 Flash 正式版、Vision Exp、V4 Pro 正式版几个模型，全部融合在一起了。
在社交媒体上，大家对 V4.1 Flash 最多的评价就是「快」。
有网友展示自己在 DeepSeek Harness 内的对话，模型的运行速度是 217 tok/s 左右。而其他的测试结果显示，V4.1 Flash 的运行速度为 420-507 tok/s ，比 Gemini 3.8 Flash 还要更快。
本来是融合了好几个模型，主干参数也接近上一代 Flash 的两倍，从 284B 到了 552B，但怎么速度就变快了。
虽然 4.1 看着是一次小更新，但从 DeepSeek 公开的技术报告来看，V4.1 Flash 采用了重新设计的模型架构，并扩大了训练数据和强化学习规模。
参数的增加，但处理长输入和保存上下文所需的开销却降低了，因为每 Token 的全局 KV cache 只有 890 字节，是自家 V4-Flash 的四分之一；和 2023 年的初代 DeepSeek-V1 相比，缩小了约 437 倍。
总参数变多，但是用来每一次工具调用、每一轮对话，模型上下文的 KV cache 却减少了，而减少的 KV cache 也没有因此让 V4.1 Flash 变弱，在多个 Agent 基准测试上，它打平甚至反超了 Claude Opus-5 和 GPT-5.6 Sol。
我们分析了 V4 Flash 和 V4.1 Flash 的两篇论文技术报告，看到了 DeepSeek 在 Agent 时代到底要做什么样的高效率模型。
图｜论文地址：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf
模型变大，成本怎么降下来
所谓的 KV cache 可以理解为模型处理过内容后留下的中间状态；后续生成需要参考前文时，复用这些状态，可以省下重新计算的开销。
而当我们的上下文越长时，这个用来保存模型状态的工作台台面就会越大，占的显存越多。
DeepSeek 四代模型的演化，可以说就是在不断地对 KV cache 进行压缩，从 V1 的每 token 389 KB，到 V3.2 的 48 KB、V4-Flash 的 3.5 KB，再到今天的 890 字节，连 1 KB 都不到。
V4.1-Flash 采用的做法是一组组合拳。在架构上，40 层网络被修改成「编码器 + 解码器」两半（CED 架构），Causal Encoder-Decoder，简称 CED。
它把 40 层网络分成前后两部分：前 20 层是因果编码器，后 20 层是解码器。后半部分需要的全局 KV 缓存，可以直接由前半部分的最终输出生成，因此，大部分输入内容无需再完整经过后 20 层。
即解码器需要的全局记忆直接由编码器的输出投影生成，预处理长文本的计算量近乎减半。这对频繁调用工具、缓存经常不命中的 Agent 负载尤其省钱。
图｜DeepSeek 各代模型在不同上下文长度下的单 Token 解码（Decode）FLOPs 对比。
具体来说，假设我们让 AI 帮忙选一批办公电脑，看产品资料、查价格、列出配置，最后给采购建议。
第一轮，它读了几款电脑的介绍。第二轮，我们补充预算，让它重新筛选。第三轮，我们又接着说，有两个岗位需要剪视频，配置得单独调整。
就这样每次我们只补充一句话，模型处理的内容却可能越来越长。要接着完成任务，它需要记得前面选过哪些型号、为什么淘汰某一款、预算是多少，以及哪些要求刚刚发生了变化。
V4 是标准的 decoder-only，整个模型「读」和「写」用同一套全部工序。给它一段 100 万 token 的输入，每个 token 都要完整穿过全部 43 层。
现在 V4.1 Flash 大部分只需经过前半段，后半程的解码器不用再把原文逐层过一遍，而是直接拿编码器读完之后「消化好的笔记」，技术上是把编码器最后一层的隐状态投影成解码器的全局 KV cache，然后基于这份笔记开始生成。
图｜V4 Flash 和 V4.1 Flash 架构区别
这样一来，模型处理输入时，每个 token 激活约 80 亿参数；生成时，激活约 160 亿参数。对于足够长的输入，技术报告给出的预处理计算量接近减半。
可以说 V4.1 Flash 的 CED 这套结构就是冲着 Agent 负载设计，它优先节省的，正是 Agent 不断接收材料时的计算。资料越长，省去大部分输入在后半网络中的处理，就越有价值。
其次，注意力机制升级为 CSA2，让不同层之间可以「借用」彼此算好的索引和缓存，而不是各算各的；主 KV cache 更是用上了 FP4 量化，并且特意选了 OCP 开放标准格式，理由是「支持尽可能多的硬件平台」。
V4.1-Flash 的 Compressed Sparse Attention 2，简称 CSA2，是让多个网络层共享全局 KV 缓存。有的层负责建立缓存、挑出相关位置；后续层可以沿用这份缓存，重新选择自己需要的位置；还有一些层连选择结果也直接复用。
上一代部署方案会把全局和部分局部 KV 状态长期保存，以便用户重新生成答案，或继续多轮对话。但局部状态往往只在活跃会话的短时间内有用，长期保留会占用大量存储。
V4.1-Flash 把编码器的局部状态放进只保留几分钟的内存池。状态过期后，如果用户又继续任务，就重新计算最近 128 个 token，近似恢复需要的局部状态。DeepSeek 将这个办法称为 SWA Bounded Replay。
它用少量重算，换掉了长期保存这部分状态的开销。移走局部状态，再叠加全局缓存压缩，同等负载下，持久 KV 缓存占用降到上一代的约八分之一，且可以保证驻留 72 小时以上。
换句话说，用户三天内回来继续对话，服务商都不用重新付钱算一遍。
这种近似恢复的方案也会带来取舍，恢复结果与完整重新计算并不完全相同，DeepSeek 在报告中称已测场景中的质量影响很小，并把极端长上下文检索、会话恢复时的状态变化列为后续重点测试对象。
此外，V4.1 Flash 对比 V4 Flash 的不同，还在于 552B 主干之外，模型还外挂了 196B 的「条件记忆」模块 Engram：它不做计算，只做查表。
通过把常见词的 2 到 4 个组合预先存成一张巨大的哈希表，用到时直接查出来接进网络，DeepSeek V4.1 Flash 的成本又能进一步下降。
省下计算和存储之后，模型还得把题做对
V4.1-Flash 使用了包含图像和文本的 45 万亿 token 预训练语料。它从语言模型预训练开始就接触多模态数据，图像经过视觉编码器处理后，与文字一起进入语言主干。
这让 Agent 可以直接利用截图检查工作。例如，在生成网页或办公文件后，读取渲染出来的画面，判断排版、图表或页面是否需要修改。工具返回的文字结果之外，模型多了一种检查依据。
后训练部分，DeepSeek 也写得相当明确：这次沿用了监督微调、强化学习和蒸馏，没有引入新的后训练算法。团队主要投入在训练数据和环境的生产上。
这似乎也在说，RL 的军备竞赛，主战场可能不在论文里的新算法，而在数据工程的水电煤。
他们把一道 Agent 任务拆成三个部分：问题、执行环境、验证系统。模型要面对足够难的要求，环境得能运行，验收也要与题目对应。
成为付费用户可以阅读 深度求索 所有资料
了解更多 →