Deepseek刚刚做了一件反常的事
它发布了新一代V4.1Flash
却准备让这款名字里带着
轻量的模型接管上一代V4Pro
北京时间9月14日中午以后
用户即使继续调用Pro接口
请求也会被转给V4.1Flash
而且只收Flash的价格
一款便宜模型为什么能
让旗舰型号暂时退场
答案藏在这次发布
最容易被忽略的地方
Deepseek换掉了计算方式
也开始重新定义
什么叫大模型的性价比
V4.1 Flash是Deepseek下一代架构
家族公开亮相的第一款产品
升级范围远超增加
视觉模块和改动版本号
官方把它称为这个新
家族中尺寸最小的成员
可它拥有5,520亿个参数
这个小只存在于Deepseek
规划中的下一代产品线里
放到普通开源模型市场
它依然是一台需要数据中心级
资源才能完整部署的庞然大物
5,520亿之外
80亿和160亿更能解释
这款模型怎样运行
V4.1Flash继续采用混合专家模型
但输入与输出阶段
使用不同的激活规模
模型读取内容时大约激活80亿参数
生成答案时大约激活160亿参数
总参数负责储存能力
参与每一步运算的
参数则被压到更小范围
Deepseek给这种设计起的
名字是causal encoder decoder
也就是因果编码器与解码器结构
为什么要把输入和输出分开算
因为AI的工作形态已经变了
聊天机器人时代
用户问一句
模型答一段
输入和输出长度相差不大
智能体时代完全不同
一个代码代理可能先读
几十万个TOKEN的仓库
检查报错文档和提交记录
最后只修改几百行代码
一个研究代理可能翻完上百页资料
调用十几次工具
最后只交付一份报告
大量成本花在看懂现场
真正写出来的内容反而很短
传统架构如果用同一套高
成本路径处理所有TOKEN
就会在输入阶段浪费大量算力
V4.1Flash把读取和生成
做成不对称路径
让输入侧更轻
输出侧再投入更多专家能力
这不保证每个任务都更快
却准确集中了智能体
最常见的成本结构
Deepseek要解决的是代理
连续工作几小时以后
账单能否保持可控
单轮回答的价格已经
不足以衡量这类产品
这也解释了为什么Deepseek把
视觉理解直接放进基础架构
旧产品线里
文本版V4Flash和V4Flash vision xlarge分开存在
新版本发布以后
这两个旧模型都被下线
接口名称暂时转向V4.1Flash
开发者不再需要先判断
请求属于文本还是图片
再选择不同模型
截图图表网页界面和文字
可以进入同一套推理流程
这项产品整合对智能体很关键
现实中的电脑操作
同时包含文字和画面
按钮位置会改变
错误提示藏在截图里
图表数据没有完整写进网页代码
远程桌面甚至指向模型提供画面
一个不能稳定理解视觉环境的代理
工具再多也只能在
半个互联网里行动
原生视觉让V4.1 Flash更
接近真正的电脑操作模型
能力范围已经超出调用
搜索接口的聊天机器人
深度求索为这套
架构设定了四个目标
提高能力上限和推理速度
扩大吞吐
再把同一设计延伸到更大的模型
最后一项尤其值得留意
V4.1Flash很可能只是这一代
架构的第一场公开压力测试
输入激活80亿
输出激活160亿的设计
如果能在大规模API流量里保持稳定
未来V4.1Pro就可以沿着同
一条路线扩大容量
而不用让成本跟参数量同步膨胀
模型架构里还有另
一条更实际的变化
KV cache被继续压缩
长上下文模型会把已经
处理过的信息保存成缓存
避免生成下一个TOKEN时从头计算
上下文越长
缓存占用越大
模型跑100万TOKEN
同时服务大量用户时
系统瓶颈会同时出现在计算芯片
显存容量数据搬运速度与外部存储
上Deepseek公布的数据称
V4.1Flash对HBM的需求降到上一代的1/4
对SSD的需求降到1/8
与Deepseek最早一代架构相比
KV CACHE累计缩小约437倍
这些数字需要等待独立部署测试
但它们揭示了产品真正争夺的资源
模型公司过去比谁有更多算力
现在还要比谁能用更少
显存保存更长的工作记忆
HBM为什么如此重要
因为它是高端AI芯片旁边最
昂贵也最紧缺的部件之一
模型参数激活值和上下文
缓存都在争夺同一块高速空间
缓存膨胀以后
服务器要么减少并发用户
要么增加GPU数量
要么把部分数据
挪到速度较慢的存储
三条路都会增加成本
把缓存压下来
相当于在不购买同等
数量新硬件的情况下
为现有服务器腾出更多座位
SSD需求下降会减少硬盘投入
也会缓解长任务的数据交换
为了维持上下文
系统可能需要在显存和
外部存储之间不断搬运数据
交换越频繁
延迟越高
系统也越难保持稳定吞吐
Deepseek把SSD需求压到1/8
是在减少智能体
长时间运行时的存储交通
用户感受到的可能只是回复更快
服务商看到的却是每台
机器能承载更多并发任务
V4.1Flash的第一层意义是重新安排
参数显存和存储之间的关系
基准题多做对几个只是结果之一
大模型的能力竞争
进入下一阶段以后
真正难的工作是把高水平
推理变成可以长期供应的服务
模型只在演示中聪明没有用
必须让数百万个代理同时工作
企业才可能建立稳定收入
第二层意义来自它的能力定位
Deepseek公布的GPQA Diamond成绩是90.9
HLE是36.8 codeforces评分达到3471
数学与科学推理依然重要
但这次最醒目的提升集中在终端
代码仓库自动化和网络安全任务
terminal bench 2.1达到90.6
deepsw 1.1达到74.2
NL to Repo bench达到65.4
cybergem达到88.1
这些名字对普通用户不够直观
Terminal bench测试模型能不能在真实
终端环境里连续执行命令并完成
任务
Deepseek和NL to repo关注模型是否能
理解软件仓库定位问题并修改代码
Automation bench考察跨工具自动化
cyberjail与Seckbench则把模型
放进网络安全任务中
他们共同测试模型能否把事情做完
聊天是否流畅只占很小一部分
过去一款Flash模型往往
意味着速度快价格低
复杂任务需要交给Pro
V4.1Flash想打破这套分工
官方称它在性能价格速度和
任务总耗时上都超过V4Pro
因此决定有序下线旧Pro
最有冲击力的是Deepseek
愿意把实际Pro流量交给Flash
单个分数领先反倒居于其次
如果新模型在生产环境里撑不住
这种路由会直接影响付费客户
不过厂商敢切换流量不等于
所有性能结论已经得到独立证明
代码代理基准采用
Deepseek Harness的minimal模式
并使用最大推理强度
和百万TOKEN上下文
不同模型如果采用不同
工具框架提示方式和预算
最终成绩很难完全横向比较
基准能证明V4.1Flash有
很强的代理能力
却不能证明它在任何代码
库里都比所有旗舰模型可靠
稀疏激活本身也不会
自动兑现成低延迟
混合专家模型需要先判断
每个TOKEN该送给哪些专家
再让不同设备交换结果
专家分布不均时
部分GPU会排队
另一些GPU却在等待
夸卡通信如果处理不好
省下来的乘法运算
可能被数据搬运吃掉
V4.1 Flash能否跑得快
取决于路由算法并行策略和
推理框架能不能共同配合
架构给出了效率空间
工程系统负责把空间变成
用户真正感受到的速度
这也让官方速度与
本地速度成为两个问题
Deepseek自己的API可以围绕
固定硬件做高度优化
社区部署却要面对不同GPU
不同带宽和不同量化方式
一套在大型集群上
表现优秀的专家路由
移到规模较小的服务器后
未必保持同样吞吐
开放权重让外界有机会验证
却不会让官方服务的成本优势
自动复制到每一家企业机房
还有一个常见误区
任务分数提高
不代表模型的每一步操作都更可信
智能体需要连续执行
几十甚至上百个动作
每一步只有很小的错误概率
累积到长链任务里也会明显放大
终端基准做到90分
进入企业生产环境以后
仍要面对权限管理依赖
冲突过时文档和不可逆操作
模型越能行动
安全边界就越重要V4.1Flash
在cyberjams上得到88.1
也会带来双重影响
防守团队可以用它审计
代码复现漏洞和处理告警
供给者同样可以让
模型自动寻找入口
开源权重和廉价API降低了
先进能力的使用门槛
也会降低滥用门槛
评价这款模型需要同时
检查任务能力与部署治理
后者包括限制权限记录
操作并阻止高风险行为
第三层意义是价格
V4.1Flash上线后
Deepseek继续采用峰谷计费
闲时每百万TOKEN的缓存
命中输入只收0.02元
未命中输入1元
输出4元
高峰时段分别是0.04元2元和8元
缓存命中价格低到几乎是在
鼓励开发者重复携带长上下文
这套定价为智能体量身定做
一个代理每天处理同一套公司规则
同一个代码仓库和同一批长期记忆
大部分输入会反复出现
缓存命中以后
服务商不需要重新完成全部计算
客户也获得更低价格
只有新问题新网页和新任务
产生的内容按未命中计费
上下文越稳定
成本优势越明显
便宜的缓存还会改变产品设计
过去开发者为了省钱
会主动删掉历史记录
把复杂任务切成短对话
这样虽然减少TOKEN
却容易丢失目标约束和中间结果
缓存价格降到每
百万TOKEN几分钱以后
保留长期记忆变得更可行
产品可以让代理记住项目状态
而不用每次启动都重新解释背景
输出价格依然远高于缓存命中输入
这也在引导开发者
减少无意义长回答
代理最理想的工作方式是大量读取
少量决策
精确行动
V4.1 Flash的非对称激活和API
价格指向同一个方向
输入可以很长
输出应该服务于任务
那些依靠生成大段
文本制造工作量的产品
反而无法充分利用这套成本结构
峰谷计费则暴露出
Deepseek的另一项现实约束
闲时价格只有高峰的一半
说明算力需求仍然
会在特定时间集中
Deepseek用价格把非紧急
任务推向空闲时段
让数据中心保持更稳定的利用率
批量代码检查离线研究和
夜间数据处理可以延后执行
即时客服与在线编程
则继续支付高峰成本
这套价格承担着算力调度功能
传统云服务按机器使用时间收费
Deepseek把电力服务器利用率和
请求时段直接写进TOKEN价格
用户看到的是一张价格表
Deepseek考虑的是怎样
减少昂贵GPU的空转
模型架构压低单次推理成本
峰谷价格在平衡总流量
两者组合起来才形成真正的低价
腾讯的work Buddy code Buddy和open code
已经成为首批官方合作伙伴
这组名单也说明V4.1Flash瞄准的市场
办公代理和代码工具
成为首批展示场景
娱乐聊天与图片问答被放到后面
开发者会在这些
产品里连续调用模型
使用量大
对延迟和成本极其敏感
也最容易验证Flash能否
承担原本属于Pro的任务
Deepseek为什么愿意让Pro请求转到Flash
一方面新架构可能确实把
相近能力做得更便宜
另一方面
统一流量也能减少
维护多款旧模型的成本
每多保留一个生产模型
服务商都要准备独立容量监控
质量修补安全问题并处理接口兼容
把旧Flash
视觉实验版和Pro流量集中到V4.1Flash
可以提高集群利用率
这种统一也有风险
部分客户选择Pro
可能依赖它在特殊姿势长
推理或固定输出风格上的表现
接口名称不变
底层模型却换了
自动化流程就可能
出现难以发现的漂移
Deepseek需要让API返回明确版本信息
并给企业足够的迁移窗口
一次回答贵几分钱
通常可以计算生产
结果突然改变才是企业
客户最难控制的成本
模型权重仓库同步出现在hugging face
意味着社区能够继续
进行量化适配和私有部署
开放权重会让更多
团队检查模型行为
也能推动SG Lang VLLM等推理
框架快速支持新架构
但5,520亿总参数提醒了一个现实
普通游戏电脑无法
顺畅运行完整模型
部署仍需要大规模GPU和存储集群
所以Flash这个名字
不能被误读为消费级
他描述Deepseek产品线中的计算效率
绝对硬件门槛依然很高
输入激活只有80亿
总权重仍有5,520亿
激活参数决定单步计算量
总参数则决定权重存储规模
很多宣传会把两者混在一起
制造80亿参数达到旗舰水平的错觉
这并不准确
对企业来说
API可能比自建集群更现实
私有部署能够控制数据和成本
但需要承担模型切分推理
优化故障恢复与硬件采购
只有调用量足够大
数据足够敏感
完整部署才可能划算
Deepseek留下大规模部署合作入口
说明它也知道开放权重不
等于普通客户能够独立跑起来
企业还要计算一笔常被忽略的账
模型权重免费并不
代表每次调用免费
自建集群需要为峰值流量预留硬件
低谷时机器又可能闲置
官方API可以把不同
客户的波峰摊在一起
若企业每天调用量不稳定
购买GPU通常比按TOKEN付费更贵
只有数据不能离开内网
延迟要求极高
或者调用规模长期稳定时
自建部署的控制权才
可能抵消运维成本
私有部署仍有独特价值
团队可以固定版本
避免接口悄悄换模
也能针对自己的文档
和代码建立专用缓存
高度监管行业还可以把日志权限
和数据保留策略掌握在自己手里
V4.1Flash
真正扩大的是选择空间
企业可以先用低价API验证任务
再决定哪些高频流程值得搬回本地
而不用一开始就为整套集群下注
V4.1Flash给闭源模型带来的最大压力
也许来自价格参照
绝对能力只是其中一部分
只要他能用较低成本完成
大部分代码代理和自动化任务
客户就会开始追问
更昂贵的旗舰模型
到底多解决了哪些问题
如果差距只存在于少数极难任务
企业会把日常工作交给Flash
只在失败时升级到高价模型
这种分层路由可能成为
下一阶段的标准架构
简单任务先由低成本模型处理
复杂任务再转给更强模型
V4.1 Flash现在更进一步
它试图把原本属于高价
层的大部分工作吞掉
旗舰模型不会消失
但调用频率可能下降
角色从默认入口变成异常处理器
这会迫使其他厂商重新定价
模型公司过去用更大
上下文更高基准分数吸引客户
接下来必须证明每
一美元能完成多少有效任务
只公布输入单价不够
还要计算完成一次
代码修改需要几轮对话
多少工具调用和多长时间
便宜但反复返工的模型并不便宜
单价较高却一次做对
的模型也未必昂贵
Deepseek强调总用时超过V4Pro
就是在争夺这项新指标
智能体成本由TOKEN价格
生成长度执行轮数失败
重试和等待时间共同组成
一款模型每百万TOKEN便宜一半
如果需要多跑三轮
最终账单仍可能更高
V4.1Flash若能同时减少
生成量和任务轮数
价格优势才会真正落到客户手里
新架构的输入输出不对称
也可能影响模型行为
输出阶段激活更多参数
理论上可以在生成决策
时调动更丰富的专家
输入阶段更精简
则要确保压缩以后
不会漏掉关键细节
代码库里一个不起眼的配置文件
可能决定整个任务是否成功
如何在降低输入成本
的同时保留关键信息
是独立测试最需要关注的问题
百万TOKEN上下文需要同时
检查容量和信息利用率
模型能够装下100万TOKEN
不等于能稳定使用其中每一处信息
长上下文常见问题包括中间
信息被忽视跨文件关系判断
错误以及旧指令与新指令发生冲突
kv CACHE减少了保存成本
却没有自动解决检索与注意力质量
真正的测试应该观察模型在超长
任务末尾还能否准确引用早期约束
视觉能力也需要经过相同审查
原生多模态说明模型可以处理图片
不代表它已经适合无人
监督地操作所有界面
网页按钮可能被遮挡
确认框会改变状态
恶意页面还能把提示注入
藏在图片中
视觉代理如果同时拥有
终端浏览器和支付权限
错误的代价远高于识别错一张照片
这也是V4.1Flash最值得讨论的矛盾
Deepseek正在把能力速度和价格
同时推向智能体大规模应用
可智能体的治理
能力并没有自动跟上
模型越便宜
部署数量越大
部署数量越大
偶发错误就越容易变成系统性事故
行业需要降低推理成本
也要同步建立权限隔离日志
审计人工批准和事故响应
从竞争角度看
这款模型也透露出Deepseek的节奏
V4在4月亮相
7月底更新Flash
9月又推出V4.1Flash
更新速度越来越快
旧模型生命周期越来越短
开发者获得了更强能力
也承担更频繁的迁移
模型厂商如果每隔几周
改变接口背后的行为
软件工程中的稳定
版本观念就会受到挑战
Deepseek用兼容路由
减少了接口迁移成本
旧名称仍能调用
程序不会立即报错
但行为兼容比接口兼容更难
相同提示在新模型上
可能生成不同长度
调用不同工具
或采用不同决策顺序
企业需要保存
回归测试
用自己的任务验证升级
官方总榜只能充当初步参考
V4.1Flash的发布也说明
开源与闭源竞争正在从
模型权重扩展到服务体系
权重可以下载
真正好用
还需要推理框架缓存系统
工具协议监控平台和稳定API
Deepseek一边开放仓库
一边通过极低API价格吸引流量
形成双重策略
社区帮助它适配硬件
官方服务则把最怕
麻烦的客户留在平台上
价格低到一定程度以后
模型本身可能变成入口
作为利润中心的重要性会下降
开发者围绕Deepseek建立
代理插件和工作流
平台就能积累真实
任务数据与生态影响力
腾讯和open code把V4.1Flash放进
开发者每天使用的工具里
这层入口价值已经
超过普通渠道合作
谁掌握默认模型
谁就更容易影响
下一代软件的技术选择
可是低价也会给
Deepseek自己施加压力
API收入必须覆盖GPU折旧电力带宽
运维和研发缓存压缩与稀疏激活
可以降低成本价格战却可能把
节省下来的空间迅速让给客户
只要竞争对手继续跟价
模型服务就会越来越
像云计算基础设施
规模和利用率将决定利润
发布当天的热度很快就会消退
缓存命中价尤其容易制造误解
每百万TOKEN2分钱只
适用于系统已经保存
再次复用的内容
首次送入的新资料仍
按未命中价格计算
模型输出也按更高价格收费
代理如果每轮都改写提示
重新排序文档
哪怕信息大致相同
也未必形成稳定缓存
真正省钱的产品需要把
系统规则知识库片段和
项目上下文设计成可重复前缀
价格优势最终会奖励
良好的上下文工程
这会催生一种新的产品分工
模型厂商负责把
缓存做得更密更便宜
应用开发者负责让
任务产生可复用内容
企业则要判断哪些
信息适合长期保存
缓存保留越多
隐私和数据生命周期问题也越突出
低价上下文不能无限保存客户秘密
服务商必须说明
缓存是否跨请求复用
保存多久
以及用户能否要求删除
这正是V4.1Flash比一张
跑分表更重要的原因
它把模型竞争里的
三条路线压到了一起
用非对称架构减少计算
用缓存压缩释放硬件
再用价格和接口迁移扩大调用量
任何一条单独成立都不够
三条同时成立
Deepseek才有机会让Flash真正替代Pro
接下来需要观察四件事
第一独立评测能否复现
代码和智能体成绩
第二百万上下文中的信息
保持能力是否稳定
第三视觉工具调用在真实
网页里能否控制错误
第四Pro流量切换以后
企业客户是否出现质量回退
这些结果比发布会上的领先
百分比更能决定V4.1Flash的位置
对普通用户而言
最直接的变化可能没有那么戏剧化
应用响应会更快
更多产品会加入图片理解
长任务不再轻易因为费用中断
用户甚至未必知道
底层模型已经更换
真正剧烈的变化发生在开发者后台
同样预算能够运行更多代理
过去不值得自动化的小
任务开始变得有经济意义
一家公司每天有
10万份文档需要分类
模型价格下降一点
全年成本就会出现巨大差异
一个代码平台每天
处理数百万次仓库查询
缓存需求减少3/4
硬件规划也会改变
V4.1Flash争夺的就是这些看起来无聊
调用量却极大的任务
消费级聊天带来知名度
重复发生的企业
流程才带来持续流量
对国内模型行业来说
Deepseek还在提高低价旗舰的门槛
其他厂商无法只拿
一个更小模型参加竞争
还得同时支持长上下文
视觉工具调用和代码代理
能力追平以后
价格又必须足够低
这样的竞争会加速行业整合
拥有算力工程和分发
能力的平台更容易留下
单纯依靠模型演示
的公司会越来越难
对海外厂商而言
压力来自另一种方向
闭源模型仍可能在
最高难度任务上领先
也拥有成熟企业合规与服务支持
但V4.1Flash会迫使客户进行任务拆分
大量日常调用如果能转向便宜模型
高价厂商只能从最
复杂的少数请求中赚钱
他们需要证明的不再是模型最好
而是领先部分足以抵消价格差
Deepseek这次没有发布一款
真正意义上的小模型
他发布的是一台把庞大参数藏
在稀疏计算后面的工业机器
5,520亿参数提供容量
80亿和160亿激活规模控制成本
压缩缓存负责承载长期任务
原生视觉负责进入真实电脑环境
最后再用API低价把这些
能力送进开发者工具
开头那个问题现在有了答案
V4.1Flash能够暂时接管Pro
靠的是把旗舰能力装进
更低成本的运行结构
Flash这个名称并没有失去意义
Deepseek想淘汰一款旧模型
也在挑战能力越强就
一定越贵的行业惯性
这场测试才刚开始
官方基准可以证明方向
生产流量才能证明结果
如果9月14日以后的Pro请求真的在
用户无感的情况下由Flash完成
V4.1就会成为一次重要的架构转折
如果质量回退
长任务失控或视觉代理频繁犯错
这次激进迁移也会
暴露新架构的边界
Deepseek把最强的承诺
写进了路由系统
宣传页面上的文字反倒居于其次
便宜模型要接管昂贵模型的工作
最终裁判不会是排行榜
裁判是每一次完成的任务
每一笔实际账单
以及企业敢不敢把关键流程交给他