数据截至 2026 年 9 月 18 日
模型名字里带着 Pro，也不一定能保住旗舰的位置。DeepSeek 新发的 V4.1-Flash，差点让自家的 V4-Pro 提前退休。
DeepSeek 在 9 月 10 日的发布公告里宣布，计划将 V4-Pro 的请求转给新模型，理由包括性能、价格和速度。可最新 API 文档又表示，应用户需求，9 月 14 日之后继续提供 V4-Pro，计费不变。老旗舰的退休手续，暂时没办成。
读完技术报告和几份评测，我更想弄清楚 V4.1-Flash 怎样重新安排计算和记忆，把智能体的运行成本降下来。至于低价和速度能否变成交付优势，还得看它在具体任务中的表现。
CED 架构与输入计算优化
Flash 的尺寸优势，需要把模型的参数算全。DeepSeek 官方模型卡列出 5520 亿主干参数，另有 1960 亿用于 Engram，一种根据输入查表调用所学局部模式的记忆模块。两者合计约 7480 亿。
结合 Kimi、Qwen 的官方模型卡，以及 Artificial Analysis 和 vLLM 对 GLM-5.3 的统计，可以看到下面的差异。GLM 的公开统计略有出入，表中取近似量级。
计入 Engram 后，Flash 约为 Kimi K3 参数规模的 27%、Qwen 的 31%，与 GLM-5.3 的总量则接近。它们都采用混合专家架构（MoE），每个 token，只调用部分参数。Flash 更一致的优势在于激活参数较少，但这不能直接换算成同比例的速度优势。
设想一个编程助手：读代码、改文件、运行测试、看报错，再继续修改。它写出的改动可能不长，收到的代码、日志和历史记录却越来越多；已有缓存能复用，新材料和缓存未命中的部分仍要重新处理。
DeepSeek 的技术报告把这种输入负担当成了主要优化目标。新的因果编码器—解码器（Causal Encoder–Decoder，简称CED）架构，把主干分成前后各 20 层：长输入主要经过前半段，后半段需要的全局上下文表示，由前半段的结果生成；输出新 token 时，则走完整个链条。
可以把它理解为，先把大块的材料整理成底稿，再供后续层使用。模型还会保存此前内容的中间表示，供后续计算调用，这就是 KV 缓存。
技术报告中介绍，CED 受 YoCo 启发，后者是一种让网络后半段直接共享前半段 KV 缓存的架构，用来减少输入处理时的重复计算。CED 则允许后续层对共享底稿做各自的变换，生成所需的全局 KV，保留不同层加工信息的空间；实际生成哪些缓存，还会结合后文介绍的跨层复用机制来安排。
模型仍要补算末尾的一小段局部上下文，因此并非所有输入计算都严格减半；报告给出的主要激活参数，从生成阶段的 160 亿降到了读取阶段的 80 亿。
这里的巧思，是按工作性质分配算力。输入读越来越多的材料，不必始终付出与生成答案同样的计算代价。
生成端的 DSpark 是一种推测解码方案，先草拟多个 token，再交给主模型核验。DeepSeek 与北京大学在 2026 年 7 月 6 日公开的论文中提出这套方案，并报告其已用于 V4-Flash、V4-Pro 预览版的线上服务，早于 V4.1-Flash。
推测解码本身是已有的方法，DSpark 的特色在于把半自回归草稿生成与置信度调度结合起来：大部分草稿计算并行完成，再用轻量的顺序计算补上 token 间的依赖；核验时根据草稿被接受的可能性和系统负载，动态选择长度，减少无效核验占用的计算资源。
CSA2 与 KV 缓存优化
算得省还不够，存得下、搬得动，同样要处理成本。
长任务积累得越多，KV 缓存占用的显存、存储和传输带宽就越可观。
技术报告中的第二代压缩稀疏注意力（Compressed Sparse Attention 2，简称CSA2），通过筛选上下文中的相关位置，并跨层复用缓存和筛选结果，减少存储与计算开销。它把跨层复用安排成三种模式。
Full 模式生成全局 KV，并挑出要关注的位置；Reindex 模式沿用已有 KV，但按当前层的需要重新挑选；Reuse 模式连挑选结果也一并沿用。各层仍会计算自己的查询和局部缓存，这让模型能在节省存储的同时，保留逐层处理信息的空间。
可以把它想成共用一份资料：有人重新圈重点，有人沿用前面的标记，再完成自己的工作。报告还介绍了分层稀疏索引（Hierarchical Sparse Indexer），先由解码器的一层筛出候选范围，后续重新挑选时只在这个范围内查找，减少对超长上下文的重复扫描。
据报告表示，CSA2 配合低精度存储，将每个 token 的全局 KV 缓存压到 890 字节，约为前代 Flash 的四分之一。
按这个口径计算，一百万 token 的全局缓存约为 0.89GB。不过，这只是全局缓存，模型权重、局部缓存和其他运行开销还得另算。
另一个改动更像过日子得来的经验：有些临时结果，重新算一小段比长期存着更划算。报告中的 SWA Bounded Replay 就采用这种办法，让持久化 KV 缓存的占用进一步降到前代的约八分之一。
Engram 条件记忆与按需查表
DeepSeek 的技术报告将 Engram 称为条件记忆模块，用于根据输入查找训练中学到的局部模式。前面的 KV 缓存保存当前任务的中间计算结果，Engram 的记忆表则属于模型参数，随训练学到如何表示反复出现的短 token 组合。
具体来说，Engram 用相邻的两、三、四个 token 组合定位条目，取出对应的向量，再结合当前上下文决定如何使用。为了控制表的规模，它用多组哈希，把可能出现的大量组合映射到有限的表格位置。
报告给出的 1960 亿记忆参数，并不需要每处理一个 token 就全部参与计算。查询只取出对应条目，地址可以提前确定，因而能从主机内存预取，减少对昂贵显存的依赖。
这种设计给局部模式提供了额外的查表通道，不能据此断定主干就不再学习同样的模式。Engram 也不会自动记住用户的聊天，更不等于能随手更新的外部知识库。
这些改动放在一起，我看到的是一种很务实的设计：需要深算的地方留给计算，需要保留的内容尽量共享，适合查找的记忆单独安放。当然代价也存在，报告承认，稀疏选择和近似重建在尚未覆盖的极端情况下，仍可能损伤能力。
少搬数据，也能省下开销
还有一项改动，藏在层与层之间。报告介绍，mHC 是一种层间连接机制，让相邻模块之间保留多条信息流，并通过训练学习怎样混合和保留其中的信息。原先的计算顺序存在依赖，中间结果需要分几步读写，增加了 GPU 内存中的数据搬运。
新的 single-pass mHC 调整了输入混合系数的使用时序，让当前模块使用前一个模块算好的系数。这样，一部分等待就能消除，部署时再通过 Mega-mHC 把相关操作合到一次执行中。报告称，相比原始实现，这部分激活数据的读写量减半。这个比例只针对该环节，不能换算成整个模型速度翻倍。
算力的账里，也包括让数据及时到位的成本。前面是在减少重复计算和缓存，这里则是让同一份中间结果少搬几趟。
后训练方法与实际任务表现
省下资源，终究还要看能不能把事情做好。
官方模型卡显示，V4.1-Flash 原生接收文字和图片、输出文字，支持百万 token 上下文，并以 MIT 许可证开放权重。对编程助手来说，看截图的意义很具体：页面能运行之后，还可以检查按钮是否错位、图表是否难读，让视觉反馈参与修改。
我看到的一个使用心得提出了一个用法：把网页截图和流量图交给同一个模型，先整理页面上可见的问题与流量变化，再列出待核查清单。模型给出的线索，再由人结合原始数据检查。这是应用设想，还需要实测验证真实效果。
更让我在意的是技术报告对后训练的描述。DeepSeek 明说，这一阶段沿用了已有的算法流程，主要变化集中在训练数据和环境。
它把任务拆成问题、环境和验证系统，从实际工作中的失败案例以及代码仓库构造练习，再由不同智能体负责搭环境、尝试解题、检查题目是否有漏洞，反复修整。
这种训练关心的是一整段工作能否完成。对编程而言，新功能通过检查、旧功能没有被破坏，比生成一份看起来像样的代码更有分量。
DeepSeek 公布的最大推理强度对比表中，V4.1-Flash 的 DeepSWE v1.1（软件工程评测）解决率为 74.2%，Kimi K3 为 67.5%，GLM-5.3 为 66.9%。较少的激活参数，并没有妨碍它在这项任务上取得有竞争力的成绩。
但同一张表里，Flash 的 GPQA Diamond（科学问答评测）成绩为 90.9%，低于 Kimi K3 的 92.9% 和 V4-Pro 的 92.4%；Terminal-Bench 4.0（终端任务评测）为 31.2%，低于 GLM-5.3 的 37.9%。这些厂商汇总分数受测试环境影响，不能推导出哪个模型全面领先。
另一份我看到的五项 SaaS 应用搭建的实践中，比较对象换成了材料中标为 GLM 5.3 Flash 的型号。评测者将它与 DeepSeek 对比，称双方使用相同的任务说明和起始项目，均设为高推理强度，每项最多三次提示，依据浏览器中保留的截图评分。
据这份对比测试，排班应用中，DeepSeek 做出了包含排班和冲突规则的页面，GLM 则在加载时报错，留下空白屏幕。应收账款任务里，GLM 虽然通过构建，界面却仍是默认样式，表格还超出了手机屏幕宽度。构建成功，离用户能顺利操作还有一段距离。
不过，客服工单任务给出了相反的例子：DeepSeek 的分析页在手机上溢出，GLM 保持了布局，评测者把这一轮胜利给了 GLM。库存管理一轮则打平。评测者给五项任务的总评分是 DeepSeek 40 分、GLM 25 分，满分 50 分。
这组结果更适合用来提醒我们怎样验收：页面能否打开，信息是否清楚，小屏幕上能否正常操作。这是五次浏览器交付的个人评分，尚不足以给两款模型的整体编程能力排名，也不能据此认定某项架构改动带来了领先。可惜，这个对比测试没有提供耗时和费用，实际完成任务的成本仍要另算。
同样，开放权重给了部署和修改的自由，数千亿参数的体量却仍有门槛。低激活参数意味着每步少算一些，整套权重依然需要妥善存放和调度。
使用成本与任务交付效率
上述工程最后落实到了一张价格表。
截至 9 月 18 日，DeepSeek 官方高峰时段每百万 token 的价格是：未命中缓存的输入 0.30 美元，输出 1.20 美元，命中缓存的输入仅 0.006 美元；非高峰时段再减半。对反复携带长历史的智能体而言，缓存的账可能比第一眼看到的输出单价更值得细算。
接入现有业务，也有开发成本。DeepSeek 官方 API 文档列出了工具调用、JSON 格式输出，以及 OpenAI 和 Anthropic 格式的接口。工具调用让模型提出操作请求，由外部程序执行；JSON 输出则便于程序继续处理结果。对于已采用相应接口的工具，这些支持有助于减少接入改造，但具体工具仍需接好，原有任务也要重新验收。
但还有一笔账，记在人的时间上。
评测网站 Artificial Analysis 的最大推理强度版本页面显示，它的输出速度约为每秒 207 token，同时也指出它的输出非常冗长。速度衡量的是生成期间每秒吐出多少 token，完成任务还取决于总共生成多少、调用多少次工具，以及返工多少轮。
我看到的一个视频中有个很形象的例子：评测者让 Flash 制作并迭代《帝国时代》的仿作，记录的 API 花费是 3.30 美元，总构建时间却达到 4 小时 14 分钟。评测者观察到，它反复检查、修补，拖长了过程；这只是经 OpenRouter 调用的一次个人工作流记录，不能当成所有部署的速度结论。
DeepSeek 也在尝试控制这种开销。技术报告的图 9 显示，60—80 档的输出 token 少于最大档，但节省比例和准确率变化因评测而异，并非都能省下一半以上。这个设置控制的是思考预算，最大档会增加输出开销，却不保证每项任务都更准确。
所以我会按任务来选。可以放到后台慢慢跑、结果容易验收的工作，低价能换来更多尝试；需要人一直盯着、快速交付的工作，则要把等待和返工一起计价。
这也是我理解 V4.1-Flash 的落点。它展示了怎样通过架构、缓存和训练环境的细活，降低智能体持续工作的成本。至于该不该替换原来的模型，最终要看的，是完成一件合格的工作花了多少钱、多久，又需要人接手几次。开头那款被留下的 Pro，恰好提醒我们保留这份判断。
2026年9月18日