DeepSeek V4.1 Flash 实测：小尺寸新架构能否问鼎开源

一次值得关注的架构升级

DeepSeek 悄然放出的 V4.1 Flash，从命名上看只是此前 Flash 系列的迭代，但从实际规格来看，它更像是一次全新的架构尝试。这次测试的 UP 主直言，它"根本就是个新模型——新架构、新尺寸、价格超便宜"，甚至认为叫 V4.5 都不为过。

模型采用 Mixture-of-Experts（MoE，混合专家）结构，总参数量约 5520 亿，采用编解码（encoder-decoder）架构：输入侧激活约 80 亿参数，输出侧约 160 亿参数。这种设计让人联想到 2019 年谷歌推出的 T5——同样是 encoder-decoder 结构的 Transformer 家族，如今这种老思路在超大模型上被重新激活，颇有"旧瓶装新酒"的意味。

与体量对比来看，它相较动辄 2.8 万亿参数的同期竞品（如视频中提到的 Kimi K3 级别）要小得多，但作者认为其性能"比 Waste Pro（上一代 Flash Pro）强多了，虽然体积更小"，这一点是本次测试最令人兴奋的部分。

Mixture-of-Experts（MoE）是一种将模型划分为多个"专家"子网络的架构，每次推理时只激活其中少数几个专家，而非全部参数。这种设计的核心优势在于：模型的"总参数量"可以做得很大（覆盖更广泛的知识），但每次前向传播的"激活参数量"却远小于总量，从而大幅降低单次推理的计算成本。Google 的 Switch Transformer（2021）和 Mistral 的 Mixtral 系列是 MoE 在大语言模型领域的典型代表。V4.1 Flash 将 MoE 与 encoder-decoder 架构结合，输入侧和输出侧分别激活不同规模的参数（约 80 亿与 160 亿），这种非对称设计在主流开源模型中较为少见，理论上可以让模型在理解长输入时付出更少算力，在生成时保持较高表达能力。

核心亮点：KV 缓存大幅降低与长上下文

UP 主反复强调的一个技术点，是新架构下 KV 缓存的显著减少。KV 缓存是大模型推理时占用显存的主要来源之一，缓存越大，处理长上下文的成本越高。

视频中展示的图表显示，随着上下文变长，V4.1 Flash 的内存占用增幅越来越平缓——换句话说，"不用那么多内存，就能处理更长的 context"。这意味着在同等硬件条件下，它能以更低的资源成本支撑更长的输入窗口，对实际部署是实打实的好处。

另一个关键细节是所谓的"记忆参数"。作者在 Hugging Face 上翻查模型文件时发现，有一部分参数（约 1960 亿量级的记忆相关部分）明显比模型其他组件大得多。理论上，这部分参数可以卸载（offload）到 CPU 内存，甚至通过高速 SSD 直接从硬盘读取，而不必全部塞进 GPU 显存。这为在"贵一点的业余级设备"上运行大模型留下了想象空间——作者甚至设想用两台 DGX Spark 就能跑起来，尽管本地运行的可行性仍需验证。

KV 缓存（Key-Value Cache）是 Transformer 模型在自回归推理时的核心机制：模型每生成一个 token，都需要访问此前所有 token 的 Key 和 Value 向量，为避免重复计算，这些向量会被缓存在显存中。问题在于，缓存大小与上下文长度成线性关系——处理 100K token 的长文本时，KV 缓存可能占据数十 GB 显存，严重限制了批处理能力和实际部署规模。降低 KV 缓存的常见技术手段包括多查询注意力（MQA）、分组查询注意力（GQA）以及滑动窗口注意力等。V4.1 Flash 通过新架构实现缓存占用随上下文增长趋于平缓，意味着它可能采用了更激进的注意力压缩或记忆分离策略，这对需要处理长文档、长对话的生产场景具有直接的成本意义。

价格与可用性：开源且便宜

这次发布最实在的一点是价格和开放度。模型权重已第一时间上传至 Hugging Face，采用宽松许可证，没有拖延发布。

定价方面，即便按最贵档位计算，输入每百万 token 约 0.30 美元，输出每百万 token 约 1.20 美元，在同级别模型中相当有竞争力。此外，它"天生支持多模态"，能够看图——这是此前 DeepSeek 模型（包括 Vision 实验版）所欠缺的能力，尽管本次测试因框架配置问题未能完整验证图像输入。

39 分钟实战：从 BrowserOS 到 3D 建模

作者用一套代号 Deep-C Karnas 的测试框架（V2.7），在最高难度模式下让模型完成一系列高强度生成任务，全程花费仅约 3 美元左右，整体成本控制得相当出色。

交互式应用生成

第一个任务是生成 BrowserOS——一个浏览器内的模拟操作系统。仅花费 0.25 美元，模型就产出了包含多个可交互应用的界面：可回放的时间轴、音效模拟、网络设置、随机地形与星座网格壁纸、粒子前景等自定义功能一应俱全。作者评价"总体挺不错的，毕竟没用什么特殊工具"。

BrowserOS

游戏与物理模拟

模型还尝试生成了 GTA 克隆版（含行走动画、高密度 NPC、可投掷炸弹）、滑板/特技游戏（X Games 风格的 U 型池物理模拟）、地铁 FPS 射击（受伦敦地铁标识启发）等。这些 demo 虽有显示瑕疵——比如 NPC 疯狂奔跑、行人行为怪异——但基本都能运行、能玩，考虑到成本已属难得。

机械臂视觉控制的短板

并非所有测试都顺利。一项要求模型通过摄像头画面控制机械臂、把橙色小车搬到平台另一侧的任务，耗时 45 分钟仍未成功。作者认为主要瓶颈在"视觉处理"而非模型智能本身——相机曝光固定失败、视野太差、家具方向识别错误等问题拖累了表现。有意思的是，模型在过程中展现出较强的逆向工程能力，不断尝试用边界框放大、调整策略来让机械臂工作。

这真是个大问题

3D 建模的惊艳表现

真正让作者印象深刻的是 3D 相关任务。一个用 Blender + Godot 制作的 80 年代风格 3D 摔跤游戏，虽然出现"胳膊穿出衣服""角色掉进地板"等故障，但模型会主动为角色重新生成带合身服装的 GLB 模型来修复问题，展现出可观的自我迭代能力。

没法给他们看啊

更亮眼的是一个用 OpenSCAD 生成的可 3D 打印发动机模型——包含油盖、进气管、两个涡轮增压器、N20 引擎与变速箱，结构"干净得离谱"，细节丰富到可以直接进入打印流程。而一个耗时约 100 分钟生成的手表展示网站，被作者称为"见过最棒的高清渲染流程之一"，滚动动画、爆炸拆解图、材质表现都相当出色。

毕竟就是它做出来的

总结：小活跃参数的性价比之王

整场测试全程（含反复重试）总花费约 5.9 美元，作者反复强调"这价格真的超划算"。综合来看，V4.1 Flash 的意义不在于单点跑分，而在于它用极小的活跃参数量，配合新架构和大幅降低的 KV 缓存，实现了远超上一代 Flash 的实际生成能力。

视频中也引用了 Digital Spaceport 等第三方的观察，认为在如此低的活跃参数下取得这样的成绩相当罕见。当然，短板也很明确：视觉/多模态在实际测试中问题不少，机械臂等真实控制任务表现不佳，本地运行的可行性仍待更多验证。

对于关注开源模型性价比的开发者而言，DeepSeek V4.1 Flash 提供了一个值得动手一试的选项——权重已开放、价格低廉、架构思路有前瞻性。它是不是"最强开源"或许见仁见智，但它无疑把"小尺寸、大能力"的边界又向前推了一步。

OpenSCAD 是一款基于脚本的参数化 3D 建模工具，用户通过编写代码（而非拖拽操作）来描述几何体的形状、尺寸与布尔运算关系，输出结果可直接用于 3D 打印切片。由于其建模逻辑高度结构化、语法接近编程语言，它是目前 LLM 生成可打印 3D 模型的最主流路径之一——模型只需输出文本代码，无需生成二进制网格数据。文章中提到的发动机模型能"结构干净到直接进入打印流程"，说明模型不仅掌握了 OpenSCAD 语法，还能在几何约束层面保持一致性，这对纯文本大模型而言是一项非平凡的空间推理能力。