每 token 僅啟動 8B 參數、KV 快取壓到 890 位元組：DeepSeek V4.1-Flash 全面超越自家旗艦——然後把它淘汰

2026 年 9 月 10 日，DeepSeek 發布了 DeepSeek-V4.1-Flash，而這場發布會讀起來不像產品上市，更像對自家旗艦的一場精密拆除。DeepSeek 寫道：在「多方測試」中，這個新架構家族中最小的模型，在效能、成本、速度與總執行時間上全面勝過 DeepSeek-V4-Pro。結論呢？V4-Pro 逐步退場。自 2026 年 9 月 14 日 04:00 UTC 起，所有 deepseek-v4-pro 的 API 請求都將改路由至 V4.1-Flash，並按 Flash 費率計費，直到未來的 V4.1-Pro 問世。（在用戶要求下，V4-Pro 端點後來獲准續命、計費方式不變——但方向已經再明確不過。）

這次發布是 DeepSeek 核心論述迄今最鋒利的一次表達：決定代理（agent）時代勝負的不是原始參數量，而是推理經濟學。而支撐這套論述的數字值得細看——因為它們描述的是一個為單一工作負載（長時間運行的 AI 代理）以近乎偏執的精度打造的架構。

因果編碼器—解碼器（CED）：刻意的不對稱

V4.1-Flash 是一個擁有 552B 主幹參數的多模態混合專家（MoE）模型，採用 40 層 Transformer，拆成 Causal Encoder-Decoder（CED） 結構：20 層因果編碼器接 20 層解碼器。真正的關鍵在解碼器如何處理 KV 快取：不是由每個解碼層從自身隱藏狀態推導 KV，而是從編碼器最終隱藏狀態投影而來。

回報是精準對應代理工作負載特性的不對稱。在 prefill 階段——消化冗長提示、整個程式碼庫、完整對話歷史時——每個 token 僅啟動 8B 參數；在解碼階段——實際生成回應時——啟動 16B。代理工作負載天然是輸入沉重的：一個編碼代理可能讀完一百萬 token 的上下文，只為寫出幾千 token 的修補程式。一個在輸入端只花 8B 參數的模型，在結構上（而非折扣上）就低於輸入輸出兩端都燒完整參數預算的模型。

作為對比：DeepSeek-V4-Flash 從 284B 主幹中每 token 啟動 13B 參數；V4-Pro 從 1.6T 主幹中啟動 49B。V4.1-Flash 同時做到了總容量更大（552B 對 284B）、每個輸入 token 更便宜（8B 對 13B 啟動）。

KV 快取壓縮至每 token 890 位元組

工程上的頭號成就，是 KV 快取壓縮。對長上下文代理而言，KV 快取——模型對已讀內容的全部記憶——是主導成本：運行時吃 HBM，步驟之間常溢出到 SSD，而快取命中的輸入費用往往是代理 API 帳單裡最大的一條。

V4.1-Flash 用一套技術組合正面進攻，技術報告的描述精度罕見地高：

• 壓縮稀疏注意力 2（CSA2） 為每個注意力層指定三種靜態模式之一——Full、Reindex 或 Reuse——跨層共享主 KV 與索引器鍵，並重用 Top-K 稀疏注意力索引。解碼器中，分層稀疏索引器（Hierarchical Sparse Indexer）將較後面的索引層限制在第一個 Full 模式層構建的候選池內，使深層索引成本與上下文長度脫鉤。
• FP4 主 KV 快取 採 E2M1 格式、每 16 通道一組 E4M3 縮放因子，把儲存壓到接近四位元精度的體積。
• SWA Bounded Replay 只重放最近的 n_win 個 token 來重建缺失的滑動視窗 KV 狀態——完全免除將 SWA KV 持久化到 SSD 的需要。

綜合結果：全域 KV 快取足跡為每 token 890 位元組——約為 DeepSeek-V4-Flash 的四分之一，且（依模型卡圖 1）相對 DeepSeek-V1 約有 437 倍的縮減。換算成公告中的絕對承諾：KV 快取所需 HBM 為前代的 1/4，SSD 儲存為 1/8。

上下文長度為 1M token：稀疏注意力先以 64K 序列長度訓練，在 45T token 的多模態預訓練語料推進到 34T token 時延伸至 1M。模型原生多模態：從零訓練的 DeepSeek-ViT 視覺編碼器（採 2D-RoPE 與 3×3 pixel-unshuffle 降採樣）加上兩層 MLP 投影器，從預訓練第一天起就將視覺嵌入餵給語言模型。

其他元件補全了設計：Single-Pass mHC（改版殘差流混合，配高效 Mega-mHC 核心）、196B 參數、以 token 查找稀疏存取的 Engram 條件記憶模組，以及採半自回歸草稿生成與信心排程驗證的 DSpark 投機解碼。MoE 路由為每層 1 個共享專家加 384 個路由專家，每 token 啟動 6 個路由專家。

基準測試：小模型，前沿成績

在基礎模型的知識與推理上，V4.1-Flash 與 1.6T 參數的 V4-Pro 互有勝負——MMLU-Pro 贏（74.1 對 73.5）、BigCodeBench 贏（60.6 對 59.2），SimpleQA-Verified 與 SuperGPQA 讓分。但真正讓競爭對手坐立難安的是指令模型的成績。在最大推理努力設定下，DeepSeek 報告：

• Terminal-Bench 2.1：90.6——高於 Opus-5.0（89.1）、GPT-5.6 Sol（88.8）與 Kimi K3（88.3）
• DeepSWE v1.1：74.2——與 Opus-5.0（74.0）持平，高於 GPT-5.6 Sol（73.0）
• CyberGym：88.1——領先 GPT-5.6 Sol（84.5）與 GLM-5.3（84.5）
• Codeforces 評分：3471——遠高於 V4-Pro 的 3348
• Agent’s Last Exam：31.8、AutomationBench：54.8——在表中皆居首位
• HLE with tools：63.9——高於 Opus-5.0 的 63.6

在部分更難的代理評測上差距則反轉——Terminal-Bench 3.0（30.0 對 Opus-5.0 的 43.3）、Terminal-Bench 4.0（31.2 對 51.8）、ProgramBench、ExploitGym——這讓前沿的全貌保持誠實：這是一個以性價比取勝的 Flash 級模型，並非對絕對技術頂點的全面橫掃。

模型還提供 1 到 100 連續可調的推理努力（reasoning effort）——用整數旋鈕在推理成本與準確率之間取捨，比其他實驗室的離散思考模式更細緻。

定價：快取命中便宜 50 倍以上

新定價於 9 月 10 日 04:00 UTC 生效，deepseek-flash 端點：

• 輸入（快取命中）：尖峰每 1M token $0.006，離峰 $0.003
• 輸入（快取未命中）：尖峰每 1M $0.30，離峰 $0.15
• 輸出：尖峰每 1M $1.20，離峰 $0.60

尖峰時段為工作日（UTC）01:00–04:00 與 06:00–10:00，其餘時段離峰半價。上下文至 1M token、最大輸出 384K，並發上限 2,500——對這個模型顯然為之而生的「代理艦隊」場景來說，每個數字都有意義。

對照西方前沿定價——V4 上市時 GPT-5.5 約為每 1M 輸入 $5，Opus 級模型遠高於此——$0.006 的快取命中價，對主導代理帳單的輸入沉重流量而言，便宜了將近兩個數量級。而快取命中費用恰恰是 890-byte-per-token 架構所瞄準的成本項：定價與工程，是同一個賭注的兩個面。

開放權重，與一份部署邀請

一如以往，DeepSeek 以 MIT 授權在 Hugging Face 與 ModelScope 開源了模型，頭幾天下載量已突破 75,000 次。值得注意的是，這次沒有附 Jinja 聊天模板，而是提供獨立的 Python 參考實作，外加 deepseek-recipe——一組帶 Python 綁定的 Rust 程式庫，涵蓋 Messages、Chat Completions 與 Responses API 的提示編碼、工具呼叫、思考模式與串流。

公告裡還有一句少見的話：「計畫以 2,000 顆 GPU 加儲存叢集做大規模部署？來談談。」DeepSeek 明確在爭取大型自托管用戶，而對 KV 快取 SSD 足跡的強調，暗示公司預期這個模型將運行在儲存（而非算力）成為瓶頸的組態中。

意義何在

三個訊號值得帶走。

第一，「旗艦」作為穩定類別的時代，正在 DeepSeek 終結。 當一個 552B、prefill 僅啟動 8B 參數的模型，在代理開發者最在乎的基準上擊敗 1.6T 旗艦，而公司的回應是把旗艦流量導向小模型，「Pro」的含義就從「最強」變成了「每單位能力的最貴」。DeepSeek 實質上從上方重新定價了前沿。

第二，代理成本戰爭的主戰場在 KV 快取。 ChatGPT 時代的經濟學是每生成一個 token 的成本；代理時代的經濟學是每「重讀」一個 token 的成本——而 V4.1-Flash 的 4 倍 HBM 縮減、8 倍 SSD 縮減與近乎免費的快取命中，瞄準的正是這一條帳。快取命中定價高出 DeepSeek 數百倍的競爭對手，將在企業標案中直接感受到壓力。

第三，開放權重如今是架構優勢的交付管道，而不只是姿態。 MIT 授權保證 vLLM、SGLang 等推理生態會競相支援 CSA2 與 CED——而它們落地的每一項優化，都讓 DeepSeek 的架構在所有地方（包括 DeepSeek 自己不擁有的叢集）變得更便宜。

提醒依然真實：自報基準、發布太新尚待獨立驗證、最難的 Terminal-Bench 層級仍有明顯落後。但這個模式如今已不陌生——每隔幾個月，世界上最便宜的高能力模型就會再大幅降價一次。而這一次，它連同前代旗艦的退休通知一起送達。