给智能体跑长上下文，账单总比预期崩得快。DeepSeek 把 5520 亿参数的模型压到只激活 80 亿，KV Cache 砍到上一代的四分之一，闲时输出每百万 token 四块钱，榜单直接追平 Claude Opus。官方甚至把自家旗舰的请求路由到它身上。便宜归便宜，最难的那批榜它仍差一截，切换通知只给了一天。
产品概述
DeepSeek V4.1 Flash 是 DeepSeek 在 2026 年 9 月 10 日发布的新一代 Flash 模型，也是它全新模型结构系列里尺寸最小的一个。定位有点反常识：名字带着 Flash，官方却宣称它在性能、费用、速度、总用时四项上全面超越自家旗舰 V4 Pro。硬件规格上，它是 552B 参数的 MoE 模型，读入侧只激活 8B，生成侧激活 16B，上下文 1M，最大输出 384K。
上一代的 V4 Flash 与 V4 Flash Vision Exp 已经下线，旧模型名会被临时路由到 V4.1 Flash。V4 Pro 的处理更微妙，官方最初通告 9 月 14 日 12 点起把 Pro 的请求全部转到 Flash 并按 Flash 计费，只给了用户四天适配期。随后官方又发通告，称 9 月 14 日之后继续提供 V4 Pro 的 API 调用服务且计费方式不变，对接方最好直接盯官方文档。
过去的 Flash 档基本等同于降级版，能力往下砍、价格往下压。这款换了思路，它把最贵的成本项，也就是长上下文带来的显存占用和缓存开销，从结构上削掉，再用省下的钱把参数和训练规模堆上去，结果在编码和智能体任务上追到了前沿阵营。
API 文档：https://api-docs.deepseek.com
模型权重：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash
核心功能
参数听完还是抽象的，真正决定它便宜在哪的是结构。
非对称结构：读得省，写得贵
CED 把 40 层 Transformer 拆成两半，前 20 层是因果编码器，负责读完整个输入上下文；后 20 层是解码器，往外吐 token。关键在于解码器的全局 KV Cache 不再逐层各算一份，而是直接从编码器输出投影出来，省掉的不只是重复计算，还有每层要占的那份显存。
这么一拆，读入阶段只跑编码器，每 token 激活 8B；生成阶段才跑完整模型，激活 16B。上一代是读写各 13B，等于把算力预算从读挪到了写。设计前提很直白：生成比读入更难，而智能体循环里读入 token 又远多于生成 token，这笔账就很划算。
KV Cache 压到 890 字节
缓存是小模型省钱的关键战场。这款模型的全局 KV Cache 约 890 字节每 token，相对上一代，HBM 需求降到四分之一，SSD 持久化需求降到八分之一，相对初代 V1 缩小了 437 倍。缓存命中费用常年占智能体账单大头，砍在这里才砍得动总成本。
除了 CED 的投影机制，第三方技术解读还提到两条路径：把 KV 条目跨注意力层共享，以及用 FP4 四比特精度存缓存。另有一个 196B 参数的条件记忆模块 Engram，靠稀疏查找按需访问，不参与主干的常规计算。三条路叠加，才是四分之一的来源。
原生多模态与超长输出
这一代第一次把视觉能力原生训练进主干，而不是外挂一个视觉编码器。图表理解 Chartography 从上一代视觉实验版的 64.3 提到 78.9，文档问答 DocVQA 拿到 95.6。但图像逻辑推理的 ZeroBench 只有 49 分，用截图做重要判断时还是得留个复核环节。
1M 上下文配 384K 的最大输出长度，整仓库代码审计、长文档抽取这类活才谈得上可用。并发上限提到 2500，是 V4 Pro 的 5 倍，对半夜跑批量的团队是实打实的容量差别。推理强度还能从 1 连续调到 100，让精度和成本在同一模型里调节。
| 能力 | 规格 | 说明 |
|---|---|---|
| 骨干参数 | 552B MoE（40 层） | 20 层编码器 + 20 层解码器 |
| 激活参数 | 读入 8B / 生成 16B | 上一代为读写各 13B |
| 上下文 / 输出 | 1M / 384K | 训练在 34T token 处扩到百万级 |
| 图像理解 | 原生支持 | DocVQA 95.6，ZeroBench 49 |
| 并发上限 | 2500 | V4 Pro 为 500 |
| 推理强度 | 1 到 100 连续可调 | 同一模型内切换精度与成本 |
| 开源许可 | MIT | 权重与技术报告已公开 |
上手体验
换成自己上手，从注册到跑出第一段代码大概只要几分钟。
走 API 是最短路径。到开放平台注册、充值、生成 API Key，把模型名从 deepseek-v4-pro 改成 deepseek-flash 就能调用，OpenAI 格式的基址是 https://api.deepseek.com，Anthropic 格式是 https://api.deepseek.com/anthropic。如果你本来在 Claude Code 里干活，迁移成本就是改一组环境变量，不用换客户端也不用打补丁。官方接入指南给的配置长这样，注意模型名后面的方括号后缀，它表示按 1M 上下文调用，配好之后重启终端就生效。
export ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
export ANTHROPIC_AUTH_TOKEN=<你的 DeepSeek API Key>
export ANTHROPIC_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_OPUS_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_SONNET_MODEL=deepseek-flash[1m]
export ANTHROPIC_DEFAULT_HAIKU_MODEL=deepseek-flash
export CLAUDE_CODE_SUBAGENT_MODEL=deepseek-flash
第一次跑起来最直观的感受是快，社区实测输出速度落在 300 到 500 tokens 每秒，本地部署的玩家还提到它比要调用的工具响应更快。国内科技媒体做过一组对照实测，三个任务分别是 3D 停车游戏、带优惠码的小店和预约改期系统。
三个任务它都没超过五分钟，最慢的停车游戏用了 4 分 47 秒。上一代同一题花了 11 分 27 秒，而且 3D 场景上下颠倒，原因是相机上方向的向量叉乘顺序写反了。小店那题上一代重启后订单查询返回空，生成用时差着三到四倍。
也不是没问题。内测期间有开发者反馈，几分钟花掉十块钱，速度提升和 token 消耗是绑在一起的。Web 端还有语言跟随的毛病，用英文提问却拿到中文思考链和中文回答，重试约一半概率复现，官方 API 的复现率据反馈明显更低。
使用技巧
几个能立刻省钱的开关，官方文档写得比较低调。
很多人不知道还有这些进阶用法：
- 把缓存命中吃满：系统提示词、工具定义、检索文档前缀尽量固定，重复部分走缓存命中价，闲时每百万 token 两分钱，只有未命中价的五十分之一
- 错峰跑批：高峰是工作日 9 点到 12 点、14 点到 18 点，其余含周末全按闲时计价，可延迟的任务排到晚上直接省五成
- 显式声明长上下文：模型名后面补上 1m 后缀，别让框架按默认窗口截断，长仓库任务能省掉大量重复预填
- 推理强度按任务调：简单改写别拉满，复杂重构再往上加，它的档位曲线偏极端，低档约等于关、高档约等于满
- 在 harness 侧做兜底：工具 schema 校验、请求带幂等编号、失败重试加上限，能挡下大部分无效工具调用
竞品对比
跑分之外，真正决定选型的是它在同定位里排第几。
同赛道里绕不开的名字有 Claude Opus 5.0、GPT-5.6 Sol，以及国内的 GLM-5.3 和 Kimi-K3。四方侧重点各不相同，而这个定位的正面较量几乎集中在编码和智能体任务上，所以先看一组同源的基准数据，全部取自 DeepSeek 官方发布页，方便横向对齐口径。
| 对比维度 | V4.1 Flash | Opus 5.0 | GPT-5.6 Sol | GLM-5.3 | Kimi-K3 |
|---|---|---|---|---|---|
| DeepSWE v1.1（修真实仓库 bug） | 74.2 | 74.0 | 73.0 | 66.9 | 67.5 |
| Terminal-Bench 2.1（终端编码） | 90.6 | 89.1 | 88.8 | 88.2 | 88.3 |
| Automation-Bench（SaaS 工作流） | 54.8 | 50.3 | 45.8 | 48.8 | 46.7 |
| Agents’ Last Exam（长程多步） | 31.8 | 28.6 | 26.7 | 28.5 | 27.6 |
| Terminal-Bench 4.0（最难终端集） | 31.2 | 51.8 | 39.9 | 37.9 | 12.6 |
注：数据来源为 DeepSeek 官方发布对比表，对手列数据为收集而非同场重跑，尚无第三方独立复现。
读这张表要分两层。前四行里它全线压过对手，包括把自家 V4 Pro 甩开一截；第五行反过来，最难的终端任务集上它只有 31.2，Claude Opus 5.0 是 51.8。官方对比表还没放 GPT-6 Astra，后者在同一项上报了 57.9，选谁当对手，这本身就是结论的一部分。
同一个模型换个脚手架还能再掉一截，DeepSWE v1.1 在自家 harness 下是 74.2，换到 Claude Code 是 69.8，换到 Codex 只剩 65.6。国内两家竞品的价格是另一个维度，用 Artificial Analysis 的高峰计价口径跑完一个智能指数任务，它花 0.27 美元，GLM-5.3 和 Kimi-K3 都在 1.9 美元上下，量级差距比分数差距更刺眼。
用户反馈
榜单是一回事，真实用过的人怎么骂又是另一回事。
发布周的讨论热度不低，Hacker News 上的主贴收了 934 分和 515 条评论。最高赞的评论不是夸能力，而是夸它的技术报告写得细，对比之下有些对手的系统卡只剩安全套话。一致的反应是快，有人拿它重写内核。吐槽也很集中，除了前面提到的语言跟随和推理档位，本地部署的账更直白：有人算过原生 4-bit 骨干加视觉加推测解码大约需要 310GB，剩下还有 Engram 参数，256GB 内存的机器只能重度量化后勉强跑起来。
最激烈的争论不在模型本身，而在切换方式。官方把 V4 Pro 的请求路由到 Flash，通知到执行只隔几天，没有并行迁移期。反对的一方说模型各有脾气，不打招呼就换会打坏评测基线；支持的一方说云端模型本来就不确定，真要稳定就该自己托管权重。
数据归属也是老话题。有用户指出官方 API 会用调用数据做训练，敏感业务更适合走自托管，尽管零留存承诺在行业内普遍被怀疑。好消息是 MIT 许可把自托管这条路留着了，坏消息是 552B 的体量让大多数团队只能租。
多维评分
把上面的信息收拢成一张表，按八个固定维度打分。
| 维度 | 权重 | 评分 | 一句话解读 |
|---|---|---|---|
| 功能完整性 | 20% | ⭐⭐⭐⭐☆ | 编码、工具调用、视觉、长上下文齐了，缺音频与视频 |
| 易用性 | 15% | ⭐⭐⭐⭐☆ | 换模型名即可迁移，推理档位曲线不直观 |
| 性能表现 | 15% | ⭐⭐⭐⭐☆ | 300 到 500 tokens/s，但输出 token 消耗偏高 |
| AI 能力 | 15% | ⭐⭐⭐⭐☆ | 编码与 agent 追平前沿，HLE 36.8 落后 Opus 56.3 |
| 价格合理性 | 10% | ⭐⭐⭐⭐⭐ | 闲时输出 4 元每百万 token，同档几乎无对手 |
| 生态集成 | 10% | ⭐⭐⭐⭐⭐ | OpenAI、Anthropic、Responses 三协议，GGUF 已跟进 |
| 文档与支持 | 10% | ⭐⭐⭐⭐☆ | 接入指南细致，路由口径一个月变过两次 |
| 更新频率 | 5% | ⭐⭐⭐⭐⭐ | 三天内两次公告调整，迭代节奏极快 |
综合评分：8.6 / 10
分数高在价格和生态，扣分集中在两处。一是最难的前沿推理仍有明显差距，HLE 36.8 对 Opus 5.0 的 56.3 不是小幅落后。二是它话多，单位 token 便宜不等于单位任务便宜，同样一个智能指数任务它花 0.27 美元，上一代只要 0.22 美元，单价优势被话多吃掉了一截。
优缺点
优势
- 读入成本重构：预填只激活 8B，读多写少的智能体循环被精准命中，长会话越多省得越明显
- 缓存体积压到四分之一：每 token 约 890 字节，缓存命中价低到闲时每百万两分钱，高频复用前缀的工作流几乎白送
- 协议兼容不挑客户端：三套 API 格式都支持，Claude Code 和 Codex 改环境变量就能切
- MIT 许可加 1M 上下文：权重可私有化、可二次分发，长上下文加图像理解能落在自有基础设施里
不足
- 最难的前沿推理仍有差距：Terminal-Bench 4.0 只有 31.2，HLE 36.8，硬核推理不能当旗舰用
- token 消耗偏高：单价降了但话说得多，实际单任务成本可能不降反升
- 路由口径变动频繁：V4 Pro 的下线通告发过两版，需要版本锁定的系统得自己加控制
- Web 端语言跟随不稳定：英文提问偶发中文思考链，API 侧复现率更低但仍存在
适用人群
说到底，这东西适不适合你，取决于你的任务长什么样。
- 跑编码 agent 的个人开发者与小团队：原本被 Claude Code 或 Codex 的额度墙卡住，换成按量计费后账单可预测，缓存命中价把重复上下文成本压到几乎可忽略
- 高并发长上下文的 SaaS 团队：2500 的并发上限加 1M 窗口，整仓库审计、多文档抽取第一次能在预算内跑满
- 有数据合规要求的私有化场景：MIT 许可加开放权重，可以把敏感代码留在自己机房，代价是 310GB 级硬件门槛
- 做多模态预处理的团队：图表理解 78.9、文档问答 95.6，把截图和仪表盘丢进去做结构化抽取已经够用
- 不太适合的人：把最难的前沿推理当核心业务、需要严格版本锁定的生产系统、指望单机跑满血权重的人
定价方案
价格是这款模型最锋利的部分，账要算到任务粒度才准。
| 计费项（每百万 token） | 空闲时段 | 高峰时段 |
|---|---|---|
| 输入（缓存命中） | 0.02 元 | 0.04 元 |
| 输入（缓存未命中） | 1 元 | 2 元 |
| 输出 | 4 元 | 8 元 |
注：截至 2026 年 9 月 12 日官网定价页显示，高峰时段为北京时间周一至周五 9:00 至 12:00、14:00 至 18:00，其余时间含周末均按空闲时段计费。对照同页显示的 V4 Pro 报价，输出价约为其三分之一。
换算成美元口径，高峰未命中输入 0.30 美元、输出 1.20 美元，闲时直接砍半，这个价位在 2026 年的前沿档里属于极低的一档。但别只看单价，Artificial Analysis 的智能指数口径显示，它完成一个任务花 0.27 美元，比 V4 Pro 便宜约六成，约为 GLM-5.3 和 Kimi-K3 的七分之一；同一口径下上一代只要 0.22 美元，说明它的输出 token 消耗确实偏多。落实建议只有两句：能延迟的活排到闲时，能固定的前缀全部固定住。
常见问题
把评论区问得最多的几个问题集中答一遍。
Q1：deepseek-flash 和 deepseek-v4-flash 是什么关系？
A1：是同一个新模型，旧名字只是兼容用的壳。 deepseek-flash 指向 V4.1 Flash；旧名 v4-flash 与 vision-exp 对应的模型已下线，请求会被路由过去并按 Flash 价计费。
Q2：V4 Pro 会下线吗？现在还能调用吗？
A2：能调用，且计费方式不变。 官方最初通告 9 月 14 日 12:00 起把 Pro 请求路由到 Flash，后又改口称继续提供服务，最终口径以官方文档为准。
Q3：定价到底便宜到什么程度？
A3：闲时输出每百万 token 四元，缓存命中只要两分钱。 官网显示，空闲时段输入未命中一元、输出四元，高峰翻倍。
Q4：支持中文吗？
A4：支持，中文表现稳定。 它在中文理解和生成上没有明显短板。反过来要留意 Web 端的语言跟随问题：英文提问偶尔拿到中文思考链，API 渠道复现率明显更低。
Q5：需要下载安装吗？
A5：用 API 不需要，本地跑需要不小的硬件。 官方 API 改个模型名就能用，两套协议都支持。社区测算自托管约需 310GB 显存。
Q6：生成的代码和权重能商用吗？
A6：可以，MIT 许可限制很少。 模型权重是 MIT 许可，允许商用、修改和二次分发，也不要求衍生作品继续开源；API 输出归属按平台条款执行。
Q7：能接 Claude Code 或 Codex 吗？
A7：都能，改环境变量即可。 DeepSeek 提供了 Anthropic 格式的兼容端点，Claude Code 只需改基址、密钥和模型名三个变量，Codex 侧也有对应配置。
Q8：它有图像理解，能替代专门的视觉模型吗？
A8：读图表够用，看图做逻辑推理还不行。 图表理解 78.9、文档问答 95.6 说明抽取类任务可用；但 ZeroBench 只有 49 分，复杂逻辑判断仍需人工复核。
Q9：和 GLM-5.3、Kimi-K3 比该怎么选？
A9：编码和 agent 场景优先选它，纯推理要看清差距。 在 DeepSWE、Terminal-Bench 2.1、Automation-Bench 三项上它领先这两家；跑完一个智能指数任务它约 0.27 美元，对手约 1.9 美元。
结论
V4.1 Flash 不是那种靠榜单数字取胜的发布。它真正改变的是单位智能的价格：读入侧激活砍到 8B，缓存压到四分之一，闲时输出四块钱每百万 token，把过去只有闭源旗舰才给得起的长上下文和多模态，变成了可私有化、可二次分发的廉价基础设施。
它适合谁很清楚：跑编码 agent 的开发者、被并发和长上下文卡住预算的团队、有数据归属要求的私有化场景。不适合谁也很清楚：把最难的前沿推理当核心业务的人，HLE 36.8 对 Opus 5.0 的 56.3 是实打实的两倍差距，硬核推理场景不要指望它。
建议的做法是把可延迟的批处理排到闲时，把固定前缀的缓存吃满，然后在真实任务上跑一周账单。如果这一周账单明显低于原来的订阅费，它就值得留在技术栈里；如果不是，说明任务恰好落在它最贵的那个角落。