模型发布与路由策略

DeepSeek V4.1 Flash于9月10日正式通过API上线，模型ID简化为 deepseek-flash。此前短暂开放的测试版本带有 expires-on-0910 后缀，现已转为正式服务。博主通过API账号验证确认，Models接口直接返回该模型ID，且实际请求可正常完成。官方同步开放了完整的技术报告与模型权重。这一版本不仅是一个新ID，更承担着承接现有流量的重任。官方明确旧版 V4 Flash 和 Vision Experimental 已下线，原ID请求将路由至V4.1 Flash。在9月14日中午12点前，所有发往 V4 Pro 的请求也会被路由到 V4.1 Flash，并按Flash单价计费。这意味着该模型正在承接现有的Flash和阶段性的Pro API流量。

"V4.1 Flash 不只是新增的一个模型 ID，它正在承接现有的 Flash 和阶段性的 Pro API。"

合作伙伴方面，WorkBuddy、CodeBuddy以及OpenCode等已作为官方合作伙伴全量接入。这种统一的ID和路由策略，使得开发者无需在多个实验性模型间切换，降低了集成复杂度。博主指出，这种策略表明DeepSeek对该模型的稳定性和性能有充分信心，旨在通过统一的入口提供一致的服务体验。

核心架构：因果编码器与解码器分离

V4.1 Flash在技术上的关键突破在于采用了被称为因果编码器（Causal Encoder）和解码器分离的结构。该模型拥有5,520亿参数，其中包含1,960亿条件记忆参数。40层Transformer被均分为20层因果编码器和20层解码器。处理输入时，每个token仅激活约80亿参数；生成输出时则激活160亿。这种设计针对Agent场景进行了优化，因为工具结果、代码和历史上下文通常远长于最终回答。这种"读的便宜、写的更强"的不对称设计，精准对准了目前成本最高的工作负载部分。

"处理输入每个token只激活大约80亿参数，生成输出时激活160亿。"

这种架构优势在于降低了长上下文处理时的计算冗余，同时保持了生成质量。对于Agent应用而言，输入往往包含大量背景信息，而输出相对精简。通过分离编码和解码过程并动态调整激活参数，模型在保持高效推理的同时，有效控制了计算资源消耗。这是针对当前LLM应用痛点的一次重要架构创新。

KV缓存优化与长上下文支持

第二个重点在于KV缓存的极致压缩。V4.1 Flash采用CSA-2（第二代压缩稀疏注意力），在不同层之间共享主KV缓存，并配合FP4格式存储。常驻显存的全局KV被压至每token 890字节，约为上一代V4 Flash的1/4。当出现缓存未命中时，系统仅重放最近一个滑动窗口，使得持久缓存约为上一代的1/8。这一优化支持了从4,000到100万token的上下文扩展。官方报告指出，从4,000扩展到100万时，单token解码的FLOPs仅增加约1/4。

"把常驻显存的全局KV压到每token 890字节，大约只有上一代V4 Flash的1/4。"

这种高效的缓存机制使得模型在处理超长上下文时，显存占用和计算开销保持在较低水平。对于需要处理大量文档或长对话的Agent应用，这意味着可以在有限的硬件资源下运行更复杂的任务。同时，稀疏注意力从64,000序列长度开始训练，并在34万亿token时扩展至100万，确保了长距离依赖的学习能力。

原生多模态与预训练细节

V4.1 Flash从预训练阶段即为多模态模型。它使用从头训练的DeepSeek-ViT将图片转换为视觉token，再与文本一起输入语言模型。预训练语料总量达45万亿token，纯文本与多模态token比例约为7:1。API不再要求单独选择Vision Experimental型号，deepseek-flash一个ID即可同时接受文字和图片输入。这简化了多模态应用的开发流程，开发者无需管理多个模型版本。

"DeepSeek-V4.1 Flash 从预训练开始就是多模态模型，它使用从头训练的DeepSeek-ViT把图片变成视觉token。"

原生多模态支持意味着模型在理解图像与文本关联方面具有更深层的能力，而非简单的后期融合。这对于需要视觉理解的Agent任务（如文档解析、图表分析）至关重要。统一的API接口也降低了多模态集成的技术门槛，提升了开发效率。

Agent基准测试数据表现

在Agent基准测试中，设置最大思考强度下，V4.1 Flash的表现如下：Terminal-Bench 2.1得分为90.6，DeepSWE为74.2，AutomationBench为54.8，Agent's Last Exam为31.8。虽然并非在所有榜单都超越V4 Pro，但在多项编程智能体和工具使用任务上明显领先。此外，官方以Pi作为Agent框架测试时，DeepSWE得分为66.2，Terminal-Bench 2.1为86.1。这些数据展示了模型在复杂任务中的竞争力。

基准测试名称 V4.1 Flash得分 (最大思考强度)
Terminal-Bench 2.1 90.6
DeepSWE 74.2
AutomationBench 54.8
Agent's Last Exam 31.8

"在多项的编程智能体和工具使用任务上看呢，还是明显领先的。"

这些基准测试反映了模型在代码生成、工具调用和复杂推理方面的能力。尽管在某些通用榜单上未全面超越Pro版本，但在特定Agent场景下的优异表现证明了其针对性优化的有效性。需要注意的是，这些是官方公开基准结果，实际项目效果还需结合任务完成率、工具调用轮次等指标综合评估。

Pi Agent 实际演示与性能观察

博主在Pi界面中选择deepseek-flash进行实测，加载了吞吐统计扩展以记录首token延迟（TTFT）、输出token数和每秒token数。在真实请求场景下，模型展示了稳定的吞吐速度。Pi界面显示累计输入和输出token数，帮助直观评估单轮任务效率。Flash版本采用DSpark半自回归草稿生成，根据接收概率引擎吞吐曲线和系统负载动态选择验证长度，旨在提高整体token吞吐。这种机制在保持生成质量的同时，显著提升了响应速度。

"为了看清这一轮的实际速度，我还加载了一个吞吐统计的扩展记录第一个token的延迟。"

实测中，模型在处理需要持续完整输出的问题时，展现了良好的稳定性。虽然具体数值因网络和服务负载而异，但整体吞吐效率符合预期。这种实时性能监控对于开发者评估模型在实际应用中的表现至关重要，有助于优化提示工程和任务调度策略。

定价策略与成本分析

V4.1 Flash的价格同步下调。闲时缓存命中输入每百万token 2分钱，未命中则输入1元、输出4元。高峰时段价格为闲时的两倍。这种差异化定价策略鼓励用户在非高峰期使用，以平衡系统负载。对于高吞吐任务，缓存命中时的极低输入成本极具吸引力；而对于长上下文或复杂推理导致的未命中情况，输出价格仍具竞争力。博主建议开发者接入正式ID后，通过固定任务连续运行多轮，记录TTFT、通过率及总成本开销。

"在闲时缓存命中输入每百万token 2分钱，未命中的话输入1元输出4元。"

这种定价模式使得大规模Agent部署在经济上更加可行。开发者可以根据任务特性选择合适的时间段运行，以优化成本效益。同时，透明的定价结构有助于企业预算规划和资源分配。

结论

DeepSeek V4.1 Flash的核心价值不仅在于榜单分数或高吞吐，更在于其在100万上下文、原生视觉支持及高效架构下的任务执行质量。通过因果编码器与解码器分离、KV缓存压缩以及原生多模态设计，该模型在Agent场景中实现了显著的降本增效潜力。虽然基准测试显示其在部分通用任务上未全面超越Pro版本，但在编程智能体和工具使用等特定领域表现突出。实际应用中，开发者应关注TTFT、任务完成率及总成本开销等指标，以评估其在具体业务场景中的适配性。目前模型已正式开放API并统一ID，降低了集成门槛，为大规模Agent部署提供了可靠的基础设施。