深度解读 DeepSeek V4.1 Flash 全新架构，如何成为显存杀手

2026-09-10公众号文章

KV 缓存暴降 437 倍，Agent 成本大洗牌。

作者丨高允毅

编辑丨岑峰

刚刚 DeepSeek V4.1-Flash 上线，最值得关注的是它的全新架构。

这是一次针对长上下文场景的架构重写。过去，更强的智力往往意味着更庞大的算力，超长上下文背后是极高的硬件需求。

但DeepSeek 这次用因果编码器-解码器架构 Causal-Encoder-Decoder（CED）、第二代压缩稀疏注意力Compressed Sparse Attention 2（CSA2）和 low / high / max 三档可调推理力度旋钮，打破了这一潜规则。能让 DeepSeek V4.1-Flash 以极低的成本，在不少评测中，智力超越上一代 DeepSeek V4-Pro。

这套新架构把大模型的“记忆体积”压缩到了极致，运行时的显存占用直接砍掉了3/4，存进硬盘的长期记忆更是只占用上一代的1/8 。

这种降维式的成本削减，意味着百万 Token 级别的超长上下文，可以真正进入工业级的生产力阶段。

CED架构：把百万上下文“读薄”，

预填充算力砍半

要理解这次架构重写的含金量，必须先看看以往长文本 Agent 场景中，最烧钱的地方是哪里。

答案是预填充。

在智能体的真实运行中，无论是每一次工具调用的结果返回，还是每一轮多轮对话的推进，大模型都必须把全部上下文，从头到尾过一遍，生成 KV 缓存记忆，这个过程就叫预填充。

在百万级上下文场景中，单是这一步就能吃满整张GPU。

上一代 DeepSeek V4-Flash 使用混合注意力架构，只给预填充提了速，让AI“读得更快”，却没有减少“读得容量”

DeepSeek V4.1-Flash采用的 CED 架构可以直接预填充算力减少一半，进而将服务器硬盘上的持久缓存成本，缩减到上一代的1/8。对于调用 API 的企业而言，这意味着原本跑一次深度复杂任务需要支付 10 元的算力账单，现在直接被降维打击到了 1 到 2 元的“平民价”级别。

这是怎么做到的？

DeepSeek V4.1-Flash的神经网络一共有40层，CED 架构把40层分成了两部分。前20层，它用一套“因果编码器”把全部上下文读一遍，然后在隐状态中输出一个高度浓缩的“摘要”；后20层，它不再从头读一遍，直接通过投影矩阵，从编码器的“摘要”里生成自己需要的全局KV缓存。

这就是“先读薄”，“只捞重点”，这一招直接把预填充的计算量砍掉一半。

不过只靠“摘要”当然不够。比如写代码时，项目整体逻辑可以靠摘要理解，但在面对刚生成、需要确保绝对精准的就近内容时，就需要“滑动窗口注意力（SWA）”来盯局部细节了。

不过，这些就近的局部记忆，无法直接从编码器的摘要中复用。如果为了追求 100% 精确而将最近的上下文重新看一遍，又会算力爆炸。

为此，DeepSeek 设计了一套“有限回放”机制，挑出极少数 Token，用近似值还原短期记忆。这样，可以用极低成本来复现细节。

CED 解决 “读得慢”，

CSA2 解决 “存不下”

如果说 CED 架构砍的是“上下文”的计算量，CSA2 架构砍的是“上下文”的存储量。

在上一代 V4-Flash 的时代，存储记忆的方式极其粗放，它采用的是 CSA+HCA 混合架构，其特质是每一层都会保留一套完整KV缓存和索引。即哪怕保存的是同一份上下文，40层神经网络，会保存40份副本，这直接导致显存爆炸。

而V4.1-Flash直接采用 CSA2 架构，实现跨层KV复用和跨层Top-K索引复用，让40层网络共用同一个副本，直接降低显存占用。

这套全新的压缩稀疏注意力机制，彻底简化了前代 CSA 的内部设计：它删掉了重复压缩区，扔掉了记录绝对位置的繁琐算法，精简了所有中间步骤。最聪明的是，它不再走独立的隐状态压缩通路，而是直接把核心记忆转换出来使用。这一套精妙的减法，让大模型在狂省显存的同时，训练和运行也变得更加简单丝滑。

为了把这套跨层复用做到极致，CSA2给每层静态分配三种运行模式：

Full模式擅长总结，它通读全部上下文，生成完整KV和索引，筛选出Top-K重点条目；
Reindex模式，不再自己去存储庞大的缓存记忆，会直接拿Full完整模式生成的完整 KV 缓存记忆，按照自己的理解，重新筛选重点；
Reuse模式，拿到上面的编辑，直接开始干活，完全跳过复杂的索引计算。

这样一来，在整个网络中，只有极少数层处于需要死磕的 Full 模式，大幅削减重复存储和索引计算。

如果面对的是超长上下文，还有分层稀疏索引器做进一步优化。Full模式会在扫完上下文后，圈出重点，构建浓缩索引池；后面的层只需要在这个浓缩的小池子里进行二次检索和打分。这样字数再膨胀，算力依然不涨。

在层间复用利用到极致后，V4.1-Flash还采用了 FP4 量化，把单份 KV 的体积也压下去。

针对不同周期的记忆，它直接分层对待。它把长期核心记忆（主 KV 缓存）直接砍成了极低精度的 FP4 格式，把短期就近细节（SWA-KV 缓存）保留了原汁原味的高精度（FP8），这样分层处理后，硬件运行起来变得无比简洁、省空间。

为了让大模型在长期记忆如此模糊的情况下不迷失，DeepSeek 在训练阶段就引入了量化感知训练（QAT），提前让模型使用在模糊世界里精准干活。等到了实际运行时，芯片再把它一秒还原回来做计算，精度损失几乎察觉不到。

CSA2 再叠加 FP4 后，全局单Token KV体积压到V4-Flash的1/4；再叠加CED和SWA有限回放，最终落盘的持久 KV 缓存更是直接降到了前代的 1/8。

在这份惊人的账单缩减中，整整一半的收益来自短期细节记忆用完即弃，而另一半则来自于全局长期记忆本身的架构与量化压缩。

创新架构，

重新定义大模型的竞争维度

作为一款主干参数 552B、外挂 196B Engram 记忆模块的模型，DeepSeek V4.1-Flash运行时输入预填充阶段仅激活 8B 参数，解码生成阶段也只激活 16B。就是这样的激活规模，在核心知识、推理、编码能力上已经追平自家上一代 1.6T 参数的旗舰 V4-Pro，部分内部留出评测甚至实现反超。

如果说对标自家旗舰还只是内部的 “以小博大”，那么在公开 Agent 基准里，它在衡量代码智能体真实工程问题解决能力的 DeepSWE v1.1 测试中，V4.1-Flash 拿到 74.2% 的通过率，一举超越 Opus-5.0 与 GPT-5.6-Sol 两款行业标杆；在网络安全智能体测试集 CyberGym 上，它更是拿下开源生态的 SOTA 成绩。

一个 Flash 级别的轻激活模型，在长序列复杂 Agent 场景下把一众顶级稠密模型甩在身后，这在过去 “参数大小决定上限” 的时代，几乎是不可想象的。

在能力大涨的另一面，是长上下文 Agent 的部署成本进一步降低。在 CED 架构与 CSA2 第二代压缩稀疏注意力配合下，全局 KV 缓存压到 V4-Flash 的 1/4，落盘持久 KV 更是只剩 1/8；上下文长度从 4K 拉伸到百万 Token，解码计算量仅上涨约 25%，几乎走平。曾经压在企业身上的显存、存储、带宽三座大山，被这套架构组合同时撬动。

有意思的是，近期唐杰团队发表的《Trace as State: Reasoning Traces as Conditional States for Long‑Context Transformers》，二者在宏观思路上有相通之处：都希望避免每一层完整重放全部上下文，通过摘要浓缩、按需调取重点来缓解长上下文压力。不过两者实现路径完全不同：V4.1‑Flash是底层网络架构重写；Trace as State属于推理阶段的外部算法，不改动模型权重。

把视线放长远，如果 CED+CSA2 这套架构骨架被行业广泛借鉴，下一代旗舰大模型未必会继续走大一统稠密 Transformer 的老路。更多会是稀疏机制、跨层复用、可控近似策略精细拼装出来的产物。

参考链接：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf