DeepSeek-V4.1-Flash 發佈說明

DeepSeek-V4.1-Flash 是一款專為高吞吐量和更低推理成本而設計的多模態模型。它引入了一種新的非對稱架構，將輸入處理（prefill）與輸出生成（decode）分離，使模型在每個 token 時能以顯著減少的活躍參數進行運作。

架構創新

DeepSeek-V4.1-Flash 使用了 Causal Encoder-Decoder (CED) 架構。這個 40 層的 Transformer 被組織為 20 層因果編碼器（causal encoder）後接 20 層解碼器（decoder）。

關鍵技術規格包括：

• 參數數量：該模型是一個 552B 參數的混合專家模型（Mixture-of-Experts, MoE）。
• 活躍參數：CED 設計允許在 prefill（輸入）階段僅使用 8B 活躍參數，並在 decoding（輸出）階段使用 16B 活躍參數。
• KV Cache 優化：全域 KV cache 佔用量減少至每個 token 890 bytes，約為前代 DeepSeek-V4-Flash 所需記憶體的 1/4。這使得 HBM 使用量減少至 1/4，且 SSD 儲存需求減少至 1/8。
• 多模態支持：該模型具備原生視覺理解能力，將視覺功能直接整合到 Flash 架構中。

性能與部署

DeepSeek-V4.1-Flash 可透過 DeepSeek API（模型名稱：deepseek-flash）使用，並已在 Hugging Face 上以開源權重形式發佈。

推理與成本

• 推理強度：模型支持可控的推理強度設置（整數 1–100），允許用戶在推理成本與提高準確度之間進行權衡。
• 定價：DeepSeek 引入了尖峰與離峰時段定價，以平衡需求，離峰時段的費率設定為尖峰時段的 50%。
• 快取命中：架構的效率使得快取命中（cache-hit）費用極低，這顯著降低了高度依賴快取上下文（cached context）的智能體（agentic）工作負載的成本。

本地部署的硬體需求

社群討論指出，552B 的參數數量使得本地部署具有挑戰性。用戶指出，4-bit 量化（q4）將需要超過 256GB 的 RAM/VRAM 來加載模型，這可能需要高端硬體，例如配備四通道記憶體的 Threadripper 系統或多 GPU 集群。

社群洞察與比較

用戶和研究人員對 V4.1-Flash 的發佈提出了幾項關鍵觀察：

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

雖然基準測試顯示出強大的性能——特別是在 agentic 分數和 Cyberbench 中——但一些用戶提醒，基準測試可能並不總是與現實世界的智能程度完美相關。與其他模型（如 GPT-5.6 Sol 和 Gemini 3.8 Flash）的比較顯示，雖然 V4.1-Flash 在自動化和編碼方面具有高度競爭力，但在某些特定的高推理基準測試（如 GPQA Diamond）中可能稍顯落後。

此外，一些用戶報告了行動裝置 App 的語言設置問題，指出模型偶爾會在收到英文提示時仍以中文回應。