DeepSeek V4.1 Flash实测：效率革命还是精心挑选的图表？

DeepSeek新发布的V4.1 Flash在Terminal Bench 2.1上拿下90.6分，超过了Claude Opus 5的89.1和GPT-5.6 Sol的88.8。更惊人的是，它每处理一个输入token只激活55.2亿参数中的80亿。数字很漂亮，但一位海外技术博主翻遍了模型卡、技术报告和独立评测后发现，故事没那么简单——这究竟是一次真实的效率飞跃，还是一张精心挑选的图表？

DeepSeek到底发布了什么

V4.1 Flash于9月10日以MIT开源权重发布，DeepSeek^广告称它是新架构家族中"最小"的模型。但所谓最小是相对的：它拥有5520亿参数，几乎是被替代的V4 Flash（2840亿）的两倍。

三项核心更新值得关注：原生视觉能力，图像与文本从预训练之初就在45万亿token上联合训练，此前的实验性视觉模型被弃用；100万token的上下文窗口；以及一套专为让"输入密集型"智能体任务变便宜而重新设计的架构。

有个小插曲：DeepSeek起初宣布9月14日起V4 Pro的请求将重定向到V4.1 Flash，但在用户反对后收回了决定。V4 Pro仍以同样的计费方式提供，因此Flash并非取代旗舰模型，官方公告也指向了尚未发布的V4.1 Pro。

一张截图进去，一个三文件补丁出来

博主找到的最有说服力的演示来自Datacamp。数据工程师Khalid Abdulladi搭建了一个名为Nimbus Analytics的小型Flask看板，然后在三个文件里各植入一个bug：Python里的计算错误、CSS里的颜色错误、JavaScript里不匹配的Canvas ID。智能体事先并不知道bug在哪，只拿到一张"正确效果"的参考截图，以及列文件、读文件、跑测试、用无头浏览器自截图、批量改文件的工具。

它没有急着动手。前两轮纯观察，第三轮跑测试，第四轮才提交一个补丁：转化率公式错把访客数写成了注册数，指标颜色错误，JavaScript指向了错误的canvas。五项测试全部通过。

但有个博主特意留到最后讲的细节：测试全绿，每张新截图却仍显示15%转化率和空白图表。原因是服务器仍在跑旧代码——它启动时关闭了debug模式，没有任何机制重新加载打过补丁的Python或模板，只有CSS改动生效了。智能体在第14轮（也是最后一轮）准确诊断出了这个问题，却没有重启服务器的工具，只能由人来完成。

诚实的解读是：模型修好了代码，也正确判断出自己为何无法验证成果，但无法独立收尾。作者的结论是，缺失的是一个"重启工具"，而不是又一个补丁。整个过程15次请求、约15.7万输入token（其中87%命中缓存）、1.1万输出token，非高峰时段总成本约1美分。

5520亿参数为何能这么便宜

答案在架构里，博主拆解出三个关键技巧。

第一是混合专家（MoE）。每一层有1个共享专家和384个路由专家，但每个token只激活其中6个路由专家，网络大部分在任意时刻都处于闲置。

第二是全新的编码器-解码器分离设计。预填充（读prompt）阶段由20层编码器工作，解码（写答案）阶段的记忆直接从编码器最终输出投影而来，而非逐层计算。DeepSeek称这让读取时每token激活80亿参数、写入时激活160亿。对比之下，老的V4 Flash每token激活130亿，V4 Pro激活490亿——更大更新的模型，读取反而用更少参数。

为什么这样设计？因为智能体任务是"输入密集型"的。在Datacamp的运行中，模型每写1个token要读约14个，每一轮都要重发文件、工具输出和历史记录。让读取变便宜，命中的正是token的最大头。

还有让长上下文变便宜的关键：每个被读token在内存里留下的KV缓存足迹。V4.1 Flash每token仅占890字节，约为V4 Flash的四分之一，据模型卡比DeepSeek首个模型小约437倍。100万token乘890字节不到1GB（博主自己的粗算，未计其他状态），这解释了百万级窗口在这里为何不再是内存噩梦。

混合专家（MoE）架构的核心思想是将单一的大型前馈网络替换为多个并行的"专家"子网络，再由一个轻量级路由器动态决定每个token应该交给哪几位专家处理。由于每次只有少数专家被激活，模型的总参数量（决定模型上限）与推理时的计算量（决定速度和成本）被有效解耦——这正是V4.1 Flash能以5520亿总参数却仅激活80亿来完成读取的根本原因。路由策略的设计本身也是一门学问：专家分配过于集中会导致部分专家过载、其余空转（称为"负载不均衡"），DeepSeek在这里引入了384个路由专家加1个共享专家的设计，共享专家负责处理所有token都需要的通用特征，路由专家则捕捉更专门化的模式，两者协作兼顾了泛化能力与专业化效率。

编码器-解码器分离设计在传统大语言模型中并不常见。主流的仅解码器（decoder-only）架构对读取和生成使用完全相同的层堆叠，而V4.1 Flash将预填充阶段独立为20层编码器，解码器则直接从编码器的最终隐藏状态投影初始记忆，跳过了逐层"回放"输入的开销。这一设计在长prompt场景下收益显著，因为编码器只需对输入做一次前向传播，其结果可被缓存复用，后续每轮生成无需重新计算输入部分的注意力。

那张所有人都会截图的跑分表

DeepSeek用最大推理强度的V4.1 Flash对比Claude Opus 5、GPT-5.6 Sol等模型。它领先的地方集中在"简单"任务：Terminal Bench 2.1得90.6，DeepSWE 74.2对Opus 5的74.0（仅领先0.2分），CyberGym 88.1对84.5。

但一看更难的题就变了：Terminal Bench 3.0，30.0对Opus 5的43.3；Terminal Bench 4.0，31.2对Opus 5的51.8；无工具版"人类最后考试"36.8对Opus 5的56.3。博主的判断是——简单测试挤在顶部，难测试拉不开的差距就露馅了。

DeepSeek自己的模型卡还有个警告：同一模型在DeepCWE上，因智能体框架（harness）不同，得分从65.5到74.2不等。头条用的是官方harness，也就是区间上限；在Claude Code的harness下只有69.8。

更关键的是对手问题。这张表9月10日发布，而Anthropic在9月22日推出了Opus 5.5，OpenAI同日推出GPT-6 Sol和Luna。发布12天后，表里的两个主要对手都已被超越。V4.1 Flash是快速低成本模型，它真正的同类应该是Gemini 3.8 Flash和GPT-6 Luna。与Gemini Flash相比，差距只有1.2和0.5分，比harness带来的波动还小。

公允的总结是：DeepSeek在当前快速梯队中有竞争力，但"击败前沿"的说法建立在过时的对手之上。

**评测基准（benchmark harness）**指的是围绕模型能力测试而构建的完整评估框架，包括任务描述的格式、工具的调用方式、结果的判定逻辑，以及在多轮智能体任务中如何管理上下文和执行环境。不同harness对同一模型给出截然不同的分数并非罕见——模型卡里DeepCWE得分从65.5到74.2的波动就是典型案例。这意味着"在X基准上得Y分"这类陈述，其隐含条件是"在特定harness下"，脱离这一前提进行跨模型比较容易产生误导。Terminal Bench 2.1与3.0/4.0之间的巨大分差（30分对90分）同样说明，任务难度分布的选取会让同一模型呈现出截然不同的能力面貌；发布方倾向于选取己方优势区间的基准，是行业内公认的常见做法，独立评测机构存在的意义正在于此。

独立评测补充了什么

Artificial Analysis的独立评测支持DeepSeek的部分说法：新Flash在其智能指数上得39分，超过更大的V4 Pro的36分，远高于同类开源模型中位数，但低于领先的前沿模型。它测得约232 tokens/秒，相当快，不过含思考在内首个token约需10秒。

代价是"话痨"。完成整个指数它生成了2.5亿输出token，而同类模型中位数是1.4亿，单任务成本达0.27美元——每token便宜，但产出太多。在事实召回测试SimpleQA上，V4.1 Flash仅得42.3，而更大的V4 Pro基座为55.2，效率是有代价的。

关于价格，DeepSeek不再是最便宜的：9月22日OpenAI的GPT-6 Luna报价每百万输入token 0.10美元、输出0.50美元，低于DeepSeek非高峰的挂牌价。DeepSeek唯一仍独树一帜的是缓存输入——非高峰0.003美元，比Gemini 3.8 Flash便宜25倍。对每轮重发相同历史的智能体来说，这让输入成本极低。

至于自己部署，权重虽开源，但检查点重达510GB，托管指南建议用4卡Blackwell或8卡H200，对大多数人来说API才是现实路径。至于流传的"以1%成本达到GPT-6 98%质量"的说法，博主在模型卡、技术报告和独立评测里都找不到依据，应视为未经证实。

**KV缓存（Key-Value Cache）**是Transformer推理中存储注意力机制中间结果的数据结构。在自回归生成过程中，模型每生成一个新token都需要与所有历史token计算注意力，若不缓存历史token对应的Key和Value向量，这部分计算将随序列长度呈平方级增长。KV缓存将这些向量保存在显存（GPU内存）中，以空间换时间。对长上下文模型而言，KV缓存的内存占用往往成为瓶颈：一个百万token的上下文窗口，若每token占用数KB，总计可能消耗数十GB显存。V4.1 Flash将每token的KV缓存足迹压缩到890字节，这一优化的技术路径通常来自降低注意力头的数量或维度（如多查询注意力MQA/分组查询注意力GQA），或结合量化技术，使得百万token窗口的缓存总量降至可管理范围，同时也使API侧的缓存命中价格优势得以在商业上成立。

结论：这是一个效率故事

V4.1 Flash的核心价值是效率：读取阶段一半的活跃计算、四分之一大小的缓存、以及开源模型里几分之一美分的缓存输入。这让长的、输入密集的智能体循环变得便宜，而且这一点在DeepSeek文档、Datacamp实测和独立评测中都站得住脚。

站不住脚的是"击败前沿"。在更难更长的任务上它落后，对最新快速梯队大致持平，且价格优势在Luna发布那一刻就被压缩了。

博主的建议是：如果你的智能体需要大量读取（代码仓库、截图、日志）且预算敏感，值得一试；但它不是最难的长周期任务的首选。若要基于它开发，Datacamp的清单值得参考——限制轮数和成本、限制文件访问、校验每个工具参数，并给智能体一个重启被测环境的方式。

背后还有个更大的问题：智能体的大部分token都花在读取上。如果其他实验室都去复制这套"让读取变便宜"的设计，这次发布的意义将远超一张排行榜。