DeepSeek V4.1 Flash 发布：用非对称架构把推理成本打下来，顺手把 Pro 挤下水
今天发布的 DeepSeek V4.1 Flash 用 552B MoE + 全新 Causal-Encoder-Decoder 非对称架构，性能全面超越 V4 Pro，推理成本却低一截。KV Cache 压缩 437 倍这件事，对长上下文 Agent 任务意味着什么？
9 月 10 日，DeepSeek 正式发布 V4.1 Flash。官方给的定位很直白：这是全新模型结构系列里最小尺寸的模型，原生多模态，然后在性能、费用、速度、总用时上全面超越 V4 Pro。一个「小弟」把「旗舰」按在地上，这件事本身比任何单点参数都值得写——因为它背后是一套正在成形的成本哲学：用架构创新，而不是堆参数，去换「又强又便宜」。
一、不是常规升级：全新 Causal-Encoder-Decoder 架构
V4.1 Flash 最大的变化不是参数涨了，而是结构换了。
DeepSeek 这次用了一个叫 Causal-Encoder-Decoder 的结构，关键特征是「输入和输出不对称」：模型总参数是 552B 的 MoE，但输入侧只激活 8B，输出侧激活 16B。
「不对称」听起来怪，但想一下推理的真实成本结构就明白了：读 prompt 是一次性开销，写出来才是持续烧钱的部分。把输入压到 8B、输出放到 16B，意味着你为「理解上下文」付的钱远少于「生成回答」——而大多数 Agent 任务的瓶颈恰恰是前者：超长 system prompt、塞满工具定义的上下文、动辄几十轮的历史。
这不是 V4 系列的小修小补。KOCPC 的报道把它称为「V4 系列自今年 4 月发布以来最大的一次架构级更新」，而且原生多模态——和 8 月 21 日那个「给文本模型外挂视觉扩展包」的 V4 Flash Vision Exp 不同，V4.1 Flash 把文本、图像、语音统一在模型架构内部处理，而不是拼装出来的。
二、非对称激活：你只为 8B / 16B 付费
MoE 的常识是「总参数吓人，激活参数才是你真正付的钱」。V4.1 Flash 把这个常识推到了极致——用 552B 的总容量做知识库，但每次推理只点亮 8B（输入）/ 16B（输出）的神经元。
对比一下量级：上一代 V4 Flash 的输入激活远高，而 V4.1 Flash 把输入侧砍到 8B，直接导致两件事——首 token 延迟下降，以及长上下文场景下的缓存成本大幅下降（下一节细说）。
这也解释了为什么官方敢问出那个问题：在 beta 问卷里，DeepSeek 直接问开发者「V4.1 Flash 能否完全替代生产环境里的 V4 Pro？」——如果小尺寸就能顶替大 Pro，那 Pro 这条产品线存在的意义就被釜底抽薪了。
三、KV Cache 压缩 437 倍：长上下文 Agent 的隐性成本被砍
这是我最想单独拎出来说的一点，因为它直接击中 Agent 场景的痛点。
DeepSeek 官方给出的数据是：相比初代模型，KV Cache 已经缩小了 437 倍；落到硬件上，对 HBM 的需求降到 1/4，对 SSD 的需求降到 1/8。
为什么这件事对 Agent 是质变？因为在工具调用、长程任务里，缓存命中的费用往往占大头——模型每轮要重读一遍几十 K 的上下文，KV Cache 越大，单次调用的隐性成本越高。V4.1 Flash 把上下文存储压下去，等于直接削掉了 Agent 类任务最贵的那块成本。
用一张表把这次的几个关键数字收一下：
| 指标 | V4.1 Flash | 对比参照 | 变化 |
|---|---|---|---|
| 总参数 / 激活 | 552B MoE / 输入 8B·输出 16B | V4 Pro 大模型 | 非对称激活 |
| KV Cache（相对初代） | 缩小 437 倍 | 初代 V 系列 | HBM 1/4、SSD 1/8 |
| 持续吞吐 | ~355 tok/s | V4 Pro ~63 tok/s | 5.7× |
| 首 token 延迟 (TTFT) | 178 ms | V4 Pro 766 ms | ↓ 77% |
| 输出价格（9/10 起） | $0.60 / 1M tokens | V4 Pro 约 $1.74 / 1M | 低一截 |
速度与延迟数据来自社区实测（@riba2534 等），官方未单独发布完整 benchmark；「全面超越 V4 Pro」为 DeepSeek 官方表述，社区编码与速度测试整体印证。
四、数据说话：Flash 全面超越 Pro
抛开架构，落到体验上的数字很硬：
- 速度：连续生成稳定在 355 tok/s，峰值冲到 427 tok/s；比 V4 Pro 持续吞吐高 5.7 倍，首 token 延迟砍掉 77%。一个 1500 token 的双向链表 LRU 实现只用了 4.4 秒，而 V4 Pro 要 24.7 秒。
- 能力：官方称在性能、费用、速度、总用时四项全维度超越 V4 Pro。社区里有人拿 Three.js 场景测试，评价是 V4.1 Flash 和原 V4 比「天差地别」，特别在视觉丰富度和场景组合上。代价是偶尔「想太多」——同一个七奇迹 Three.js 测试，它花了约 2 小时、$2.60 才跑完两轮，竞品约 30 分钟，但成品质量明显更好。这是典型的「用时间和钱换质量」的过度推理倾向，值得用推理强度档位压一压。
- 原生多模态 + 1M 上下文：文本、图像、语音统一输入，上下文窗口 1M，输出上限 384K。
API 侧几乎零迁移成本：把模型名改成 deepseek-flash 即可。旧的 V4 Flash 和 V4 Flash Vision Exp 已路由到 V4.1 Flash，官方同时计划有序下线 V4 Pro。
五、把 Pro 逼下线的商业逻辑
把这几件事连起来看，V4.1 Flash 的打法很清楚：用 Flash 的价格，卖 Pro 的能力。
过去 DeepSeek 的产品线是「便宜的 Flash + 贵的 Pro」双轨，Pro 靠能力溢价。现在 Flash 在能力上追平甚至反超 Pro，价格还维持低位（9/10 起再降一轮：缓存输入从 0.00003 / 1M，未命中输入从 0.15 / 1M，输出 $0.60 / 1M），那 Pro 就变成了「同能力但更贵」的尴尬存在——下线只是时间问题。
这跟 DeepSeek 近期的融资节奏也对得上：传闻 500 亿人民币融资、梁文锋个人出资 200 亿。当低成本模型能吃掉高价模型的大部分任务，「Flash 价、Pro 力」就不只是技术迭代，而是商业化路径的关键一步——企业市场里，价格竞争力往往比绝对能力上限更决定采购。
回到我们一直在聊的那条线
写到这里，这篇其实和这个专栏前面几篇暗暗接上了。
9/2 那篇 《模型之外：选 AI 编程 Agent，先看壳》 说「壳比模型值钱」；9/4 的 《当模型自己变成壳》 说 GPT-6 Astra 把电脑操作、异步工具调用收进模型。V4.1 Flash 是这条线上的另一面：当模型又强又便宜，边际成本趋近于零时，真正拉开差距的依然是「把模型接进真实工作流的壳」——沙箱、权限、记忆、长上下文的成本控制。
它也呼应了 DINOv3 系列那句「接口先于能力」：DeepSeek 做的事，本质是把推理的接口（KV Cache、激活结构、缓存定价）重新设计了一遍，让同样的模型能力能以低得多的成本兑现。架构创新和接口设计，往往比堆参数更能决定能力能不能落地。
下一步值得写的是 V4.1 Flash 的原生多模态怎么接进 Agent 工具链——「上传工程图直接分析、丢一段会议录音出 action items」这类工作流，和 Cordis 那套「一切皆插件」的运行时能擦出什么火花。这个我打算单独开一篇。
信息源：DeepSeek 官方发布（2026-09-10）、腾讯新闻 / 凤凰网科技转述、KOCPC 社区测试、CloudPrice 定价库；速度数据为社区实测，官方未发布完整 benchmark。