DeepSeek-V4.1-Flash 发布说明

DeepSeek-V4.1-Flash 是一款专为高吞吐量和更低推理成本而设计的多模态模型。它引入了一种新的非对称架构，将输入处理（prefill）与输出生成（decode）分离，使模型在每个 token 时能以显著更少的活跃参数运行。

架构创新

DeepSeek-V4.1-Flash 采用了 Causal Encoder-Decoder (CED) 架构。这个 40 层的 Transformer 被组织为 20 层的因果编码器（causal encoder）后接 20 层的解码器（decoder）。

关键技术规格包括：

• 参数量：该模型是一个 552B 参数的混合专家模型 (MoE)。
• 活跃参数：CED 设计允许在 prefill（输入）阶段仅使用 8B 活跃参数，在 decoding（输出）阶段使用 16B 活跃参数。
• KV Cache 优化：全局 KV cache 足迹减少到每个 token 890 字节，约为之前 DeepSeek-V4-Flash 代际所需内存的 1/4。这导致 HBM 使用量减少为 1/4，SSD 存储需求减少为 1/8。
• 多模态支持：该模型具有原生视觉理解能力，将视觉能力直接集成到 Flash 架构中。

性能与部署

DeepSeek-V4.1-Flash 可通过 DeepSeek API（模型名称：deepseek-flash）获取，并已作为开源权重发布在 Hugging Face 上。

推理与成本

• 推理强度：该模型支持可控的推理强度设置（整数 1–100），允许用户在推理成本与提高准确性之间进行权衡。
• 定价：DeepSeek 引入了高峰和低谷时段定价以平衡需求，低谷时段的费率设定为高峰时段的 50%。
• 缓存命中：架构的效率带来了极低的缓存命中费用，这显著降低了重度依赖缓存上下文的智能体 (agentic) 工作负载的成本。

本地部署的硬件要求

社区讨论指出，552B 的参数量使得本地部署具有挑战性。用户指出，4-bit 量化 (q4) 将需要超过 256GB 的 RAM/VRAM 来加载模型，这可能需要高端硬件，例如配备四通道内存的 Threadripper 系统或多 GPU 集群。

社区见解与对比

用户和研究人员针对 V4.1-Flash 的发布提出了几点关键结论：

"Every single model release is packed with new and crazy clever ideas and somehow, they always commit to training them at near frontier scale."

虽然基准测试显示出强大的性能——特别是在智能体 (agentic) 分数和 Cyberbench 中——但一些用户提醒，基准测试并不总是与现实世界的智能完全相关。与其他模型（如 GPT-5.6 Sol 和 Gemini 3.8 Flash）的对比表明，虽然 V4.1-Flash 在自动化和编程方面极具竞争力，但在某些特定的高推理基准测试（如 GPQA Diamond）中可能会稍显落后。

此外，一些用户报告了移动端 App 的语言设置问题，指出模型有时即使在提示词为英文时也会用中文回答。