DeepSeek 4.1 Flash实测：开源最强模型与DeepInfer的野心

DeepSeek 又一次把开源模型的天花板往上顶了一截。这次发布的不只是模型，还有一个叫 DeepInfer 的推理引擎，后者可能比模型本身更值得细看。

一次发布，两件大事

据 B 站 UP 主转述的实测视频，DeepSeek^广告 在发布 4.1 Flash 版本的同时，开源了推理引擎 DeepInfer。模型是更新而非全新架构，混合专家结构，骨干参数 5520 亿，推理时实际激活约 160 亿，这让它在保持能力的同时压低了运行成本。

真正让评测者兴奋的是 DeepInfer。这个引擎揭示了 DeepSeek 如何在数千块 GPU 上服务数百万用户请求的优化细节，而这类信息在前沿实验室通常被列为绝密。多个来源的评论都指向同一点：放出推理引擎这一步，比放出模型更有魄力。

混合专家架构（MoE） 是一种让模型在推理时只激活部分参数的稀疏架构。传统稠密模型每次前向传播都要调用全部参数，而 MoE 会把前馈网络拆成多个“专家”，并由一个路由网络根据输入决定激活哪几个专家。DeepSeek 4.1 Flash 的 5520 亿骨干参数中，每次推理仅激活约 160 亿，正是依靠这种稀疏激活机制。好处是在总参数量决定知识容量的前提下，实际计算量和显存带宽开销大幅降低，从而在保持较强能力的同时压低服务成本。代价是训练和推理的工程复杂度更高，路由均衡、专家并行通信都是难点。

实际测试：从动态视频到 3D 游戏

评测者没有停在跑分上，而是用智能体框架做了一连串复杂任务。第一个任务是制作一个黑底白字的动态图形解说视频，主题是埃拉托色尼如何用一根棍子和影子测出地球周长。DeepSeek 自行规划场景、调用 Gemini TTS 生成配音，并用开源动态图形工具完成动画。成品质量被认为接近前沿闭源模型的水准，而这次任务消耗约 2200 万 token，缓存命中率 99%。

3D 游戏任务更能看出边界。提示词要求用虚幻引擎做一个程序化第三人称游戏，角色需从外部平台自行挑选动画，资产在 Blender 中生成，还要启动一个"批评智能体"以 AAA 美术总监的标准打分，达不到 8.5 分就迭代。结果它跑了 16 轮，最高只拿到 5.5 分。评测者的判断是：设计框架有了，角色能移动、能冲刺、能在建筑间跳跃，但离 AAA 品质仍远，整体智能大约达到前沿模型的八成。

长尾能力：有惊喜也有短板

在 Airbnb 房源重建任务中，它拿到页面照片后用 Blender 重建建筑与室内并渲染漫游视频，耗时约 1 小时 37 分钟。结果并不理想：床的形状不对，灯具位置错误，枕头穿过沙发，厨房椅子穿进桌子，泳池旁边的斜墙也没渲染出来。空间布局理解了一部分，但细节忠实度不足。评测者认为，这类任务对其他开源模型几乎是不可能完成的，所以这仍算一次有价值的尝试。

作曲任务同样呈现"接近但不持平"的格局。它需要自己在 DAW 中找插件、下载采样、完成混音与母带，第一轮效果浑浊，经人工反馈后第二轮有所改善。评测者称其旋律与多个模型输出相似，质量约为顶级闭源模型的八到九成。

脑部扫描识别肿瘤的测试则是六题全错。评测者并不意外，指出即便是最好的模型在这个任务上也大约只能答对一题。

青蛙测试与深度研究

最出圈的是"找青蛙"。图中藏着一只青蛙，模型被问及图中是否有动物并要求圈出。它把图像拆成多个区域，反复裁剪放大、调整对比度与饱和度，分析颜色通道，甚至尝试读取 EXIF 元数据（已被删除），最终定位并圈出了青蛙。据评测者说法，这是首个通过该测试的模型，包括 Opus 和 GPT 系列在内的闭源模型此前都未能找到。

深度研究任务要求分析 β 淀粉样蛋白机制、tau 蛋白传播，并批判性评估近期三期临床试验的认知与影像结果。它在 20 秒内生成了一份带目录、图表、对比表格和完整引用的 HTML 报告。评测者认为其在综合数据方面与顶级闭源模型不相上下，且比部分模型更用心。

DeepInfer 公开了什么

DeepInfer 披露的数字相当激进：单个集群每天处理 155 万亿 token，每 GPU 小时收入 38 美元，据此估算毛利率约 80%，算力成本只占两成左右。96% 的输入缓存命中率是关键——大部分计算直接复用，不必重算。

需要冷静看待的是，DeepInfer 并非完整生产系统，缓存与负载均衡的完整基础设施没有公开，因此复现其经济性并不现实，装上引擎不等于复制商业模式。但已公开的部分仍有很高研究价值。

另一个被低估的细节是硬件兼容性：DeepInfer 不仅能跑在英伟达芯片上，也支持华为生态。对受出口限制影响的团队而言，这意味着多了一条不依赖单一供应商的路径。

输入缓存命中率 指推理服务中，请求的输入 token 有多少比例命中了此前已计算并缓存的键值状态（KV Cache），从而无需重新做前向计算。大模型服务中，系统提示词、长文档、多轮对话的历史部分往往被大量重复使用，把这些前缀的计算结果缓存下来，后续请求直接复用，可以显著减少 GPU 算力消耗。96% 的命中率意味着绝大部分输入计算被省去，这是 DeepInfer 能把算力成本压到两成左右、毛利率估到 80% 的核心原因之一。不过高命中率依赖请求模式与前缀复用程度，并非所有业务场景都能达到。

基准与成本

从公开基准看，4.1 Flash 在智能编码、常识、自动化等维度上多数超过前代几个百分点，也领先 GLM5.3 和 Kimi K3 等开源模型，与部分顶级闭源模型基本持平。在偏底层的 GPU 代码基准上排名第三，仅次于最新闭源模型，但超过若干竞品。

成本是最直观的冲击：全部测试跑完总花费约 6 美元。部分任务连续运行数小时，账单仍只有几美元。开源权重可在 Hugging Face 与 ModelScope 下载，社区已推出量化版本，最压缩的版本体积大幅缩小，但仍需高端 GPU。

评测者的一句话概括了这次发布的意味：拿到这个级别的智能，还能本地离线运行，同时把推理优化的秘密免费公开，这在前沿实验室的惯例里几乎不可想象。

开源权重与量化版本 是这次发布在成本侧的另一个关键点。DeepSeek 把模型权重公开在 Hugging Face 与 ModelScope 上，社区随即推出不同精度的量化版本——通过降低权重数值精度（如从 16 位降到 8 位、4 位）来压缩模型体积和显存占用。量化能大幅降低部署门槛，让模型在较少或较旧的 GPU 上运行，但通常会带来一定的精度损失，压缩越激进损失越明显。文中提到最压缩的版本体积大幅缩小，但仍需高端 GPU，说明即便是量化后的 5520 亿参数级 MoE 模型，对显存和带宽的要求依然不低，本地离线运行并非普通消费级硬件可以轻松承担。