2026年9月10日，DeepSeek 正式发布 V4.1 Flash 模型。这是其全新非对称模型结构系列中最小尺寸的成员，主打「能力更强、速度更快、成本更低」三角均衡，尤其在 Agent 使用场景中实现突破性降本，被官方定义为「普惠」定位——让更多开发者用得起、用得上前沿模型。
非对称架构：小成本大智能
V4.1 Flash 采用全新的 Causal-Encoder-Decoder 结构，是一枚 552B 参数的 MoE（Mixture-of-Experts）模型。与传统的 Encoder-Decoder 或纯 Decoder 架构不同，Causal-Encoder-Decoder 的核心逻辑是「输入端与输出端非对称处理」：一次前向传播中，输入端激活仅 8B 参数，输出端激活 16B 参数，总激活量远低于同参数规模的 Dense 模型。这意味着在相同的算力预算下，V4.1 Flash 可以服务更多并发请求。
DeepSeek 官方表示，V4.1 Flash 经过了更大规模的强化学习后训练（RL post-training），引入了新的预训练方式。与上一代 V4 Pro 相比，V4.1 Flash 在基准测试中成功超越包括 V4 Pro 在内的多款旗舰模型智能水平，且推理资源消耗更低。官方评价是「能力上限更高、推理速度更快、吞吐更大、可扩展到更大参数模型」，这四句话是理解整个 V4.1 系列设计哲学的关键。
性能对比：Agent 基准测试全面领先
官方给出了 V4.1 Flash 与主流前沿模型在 Agentic Benchmark 上的横向对比。V4.1 Flash 在工具调用、任务规划、多步推理等 Agent 典型场景的多个核心指标上超越 DeepSeek V4 Pro、V4 预览版以及业界其他主流旗舰模型，位列同规模最强。基准测试涵盖了真实世界 Agent 工作流中最常见的高难度任务类型。
| 模型 | 参数量 | 输入激活 | 输出激活 | Agent 基准排名 | KV Cache 压缩 |
|---|---|---|---|---|---|
| DeepSeek V4.1 Flash | 552B MoE | 8B | 16B | 同规模第一 | HBM 降至 1/4 |
| DeepSeek V4 Pro | — | — | — | 被超越 | 基准 |
| DeepSeek V4 预览版 | — | — | — | 被超越 | 基准 |
| 主流同尺寸旗舰 | — | — | — | 被超越 | — |
KV Cache 大幅压缩：HBM 需求降至 1/4
V4.1 Flash 在工程层面引入了新一代 KV Cache 优化技术，这是本次发布最值得关注的工程突破。与上一代模型相比，V4.1 Flash 对 HBM（高带宽内存）的需求减少到原来的 1/4，对 SSD 的需求减少到 1/8。官方数据同时提到 KV Cache 缩小 437 倍，这与「HBM 1/4、SSD 1/8」的数字可以互相印证——在不同存储层级上的压缩比有所差异，综合下来等效于 437 倍的有效缓存空间节省。
在 Agent 使用场景中，缓存命中费用往往占较高比重，因为复杂任务需要多轮调用，每次调用都会触发 KV 检索。KV Cache 大幅压缩带来三层实际价值：同等显存下可容纳更多并发请求而不出 OOM；单次请求的缓存读写延迟显著降低，响应更快；大规模部署时的 GPU 显存成本大幅压缩。以 1000 并发 Agent 任务为例，V4.1 Flash 相比上一代可将显存占用减少约 75%，这对于需要同时处理大量用户的 AI 应用平台意义重大。
原生多模态视觉理解
V4.1 Flash 具备原生多模态视觉理解能力，无需借助额外的视觉编码器（如 CLIP、SigLIP）即可直接处理图像输入。这一设计与 GPT-4V、Claude 3 的路线不同——后者通常在语言模型前串联一个独立的视觉编码器，而 V4.1 Flash 将视觉理解内嵌到了模型的主干网络中。
原生多模态的优势在于：避免了「视觉编码器 + 语言模型」两阶段的信息传递损失；减少了多模态推理的延迟；降低了整体参数量。劣势在于多模态 Scaling 的灵活度不如解耦设计——如果要单独升级视觉能力，通常需要重新训练整个模型。V4.1 Flash 的原生多模态能力使其在需要视觉感知加工具调用的复合 Agent 场景中具备天然优势，例如：从截图理解界面布局并执行对应操作、自动分析数据图表并调用 Python 执行计算、基于产品图片生成对应的营销文案等。
定价：继续保持低价策略
DeepSeek 历来以 API 低价著称，V4.1 Flash 延续了这一策略。官方定价延续了 DeepSeek 一贯的风格：输入 token 单价极低，输出 token 价格同样具有竞争力。结合 KV Cache 大幅压缩带来的实际部署成本下降，V4.1 Flash 的综合使用成本在同性能模型中处于绝对低位。
对于需要大量调用的 Agent 应用——如自动化流程机器人、代码生成平台、数据分析 Agent、客服对话系统——V4.1 Flash 提供了性价比最优的选项之一。与 OpenAI GPT-4o Mini、Anthropic Claude 3.5 Haiku 等同类竞品相比，V4.1 Flash 在 Agentic Benchmark 上的领先优势叠加价格优势，使其成为「降本增效」诉求下的首选基座模型。
小结
DeepSeek V4.1 Flash 用 552B MoE 的参数规模做到了「比大更强」：输入 8B + 输出 16B 的不对称结构大幅压缩了推理成本；KV Cache 缩小 437 倍使 Agent 场景的部署成本降至可接受范围；原生多模态能力补齐了视觉 Agent 的短板。对比同尺寸旗舰，它以更低资源消耗实现了更高基准分，这正是 MoE 架构理想状态下的「按需激活」优势。
对于需要大规模部署 AI Agent 的团队，V4.1 Flash 是目前最值得关注的选项之一。其「普惠」定位不只是口号，而是有具体的技术指标（KV Cache 压缩 437 倍）和定价策略作为支撑。在 Agent 场景进入大规模落地的阶段，一款「便宜、好用、速度快」的模型恰好填补了市场的核心需求空缺。
常见问题
DeepSeek V4.1 Flash 和 V4 Pro 是什么关系？
V4.1 Flash 是 V4 系列的最小尺寸成员，采用全新非对称 Causal-Encoder-Decoder 架构；V4 Pro 是此前的旗舰尺寸。官方数据显示 V4.1 Flash 在基准测试中已超越 V4 Pro，说明新架构的效率优势明显。
KV Cache 缩小 437 倍对实际使用有什么影响？
KV Cache 是大模型推理时的显存大户，直接决定单卡并发量。437 倍的压缩意味着同样一张 GPU 卡，V4.1 Flash 能跑的并发请求数是上一代的数百倍，对于日均调用量大的 AI 应用平台，这意味着显著的 GPU 成本节省。
V4.1 Flash 的多模态能力可以做什么？
V4.1 Flash 的原生多模态支持图像输入，无需额外视觉编码器。可用于：根据界面截图执行对应操作、分析数据图表并生成结论、看懂产品图片生成描述文案等需要「视觉理解 + 语言推理 + 工具调用」联合工作的场景。
相关阅读
如果对大模型降本增效这条技术路线感兴趣，以下几篇值得一读：DeepSeek V3.2 正式版发布，了解 DeepSeek 在 Agent 推理方向上的早期技术积累和基准表现；蚂蚁百灵开源 Ling-3.1-flash，同属中文开源 MoE 系列，560B 参数、1M 上下文，与 V4.1 Flash 形成直接对照；英伟达 Nemotron 3.5 Super VL，同为 GPU 厂商发布的开源智能体优化模型，1200 亿参数开放权重。
延伸阅读
- 雷神 AI Master M7000 开售：64GB 内存跑 120B 大模型，国补到手 1.99 万4 周前
- 宇树科技王兴兴：过去最大错误是不够相信AI，具身智能临界点最快一两年到来5 天前
- VAST 完成 B 轮与 B+ 轮共约 30 亿元融资：半年累计约 50 亿，Tripo P2.0 首发原生四边面拓扑4 周前
- Qwen-Audio-3.0 语音模型系列上线千问平台：ASR、TTS、Realtime 三箭齐发4 周前
继续读
同一批更新里这几篇值得一看：