大模型的下一场战争，可能不是参数量，而是 Token 的价格。当 Agent 开始连续调用模型，模型一次回答便宜几分钱已经不够了。

真正决定一个 Agent 能不能大规模运行的，是它一天要调用多少次模型，以及每一次调用到底要花多少钱。在提供相当的能力下，TCO（综合总成本）是企业、用户更关注的点。

这也是为什么最近几个月，Flash 模型突然集体升温。谷歌开始持续推出 Flash 系列，智谱、阿里也纷纷跟进。

就在 9 月 10 号，DeepSeek 正式发布 DeepSeek V4.1 Flash 模型，并已全面上线官网、App 和 API 端。

但这一次，DeepSeek 真正值得关注的，并不是又发布了一个「便宜模型」，而是它正在尝试重新设计一件事情：如何让一个拥有数百亿甚至数千亿参数的模型，以尽可能低的成本持续工作。

官方这次强调的是「更强、更快、更普惠」，作为新一代模型结构系列中的最小尺寸版本，V4.1 Flash 并没有简单延续扩大模型规模的路线，而是从架构设计、缓存管理和推理流程多个方面重新优化大模型运行方式，且具备原生多模态视觉理解能力。

终于，DeepSeek 也能看见图片了，真是「苦多模态久矣」。

官方表示，新模型结构的设计初衷是「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」。

其中最受关注的是：成本。

DeepSeek V4.1 Flash 是一个拥有 552B 参数的 MoE 模型，但通过新的计算架构，让实际推理成本大幅降低。

1、为什么要重新设计一个「便宜的模型」？

DeepSeek V4.1 Flash 是一个拥有 552B 参数的 MoE 模型。

相比「做一个更大的模型」，V4.1 Flash 更值得关注的地方，是它在重新思考一件事：

模型能不能在保持智能水平的同时，把运行成本真正降下来？

这也是这套新架构主要解决的三个问题：为什么能快、为什么能省，以及为什么特别适合 Agent。

「为什么能快？」

V4.1 Flash 采用了一套全新的 Causal-Encoder-Decoder（CED）架构，让模型在「理解输入」和「生成输出」两个阶段采用不同的计算方式。

传统 Transformer 在处理输入和生成输出时，计算方式相对接近。但实际上，这两个阶段面对的问题并不一样：

输入阶段更重要的是快速理解上下文，输出阶段则更需要持续进行推理和生成。

因此，V4.1 Flash 做了一个非对称设计：输入阶段激活约 8B 参数，输出阶段激活约 16B 参数。

也就是说，并不是 552B 的参数全部参与计算，模型会根据不同阶段的任务，调用真正需要的那部分计算资源。

从结构上看，V4.1 Flash 将模型拆成了专门负责「读懂上下文」的 20 层编码阶段，以及负责「逐步推理生成」的 32 层解码阶段。

在处理大量输入时，它还引入了 196B 的静态记忆模块 Engram，用来直接复用一些常见的信息和模式，减少重复计算；在生成过程中，则进一步复用前面的计算结果。

简单来说，就是：

该花算力的地方重点花，不需要花的地方尽量少花。

这也是 V4.1 Flash 能够在保持较强能力的同时，进一步提升推理效率的关键。

「为什么能省？」

如果说「快」解决的是计算效率，那么「省」解决的就是模型运行时最现实的问题：显存到底要占多少。

尤其是在 AI Agent 场景下，一个任务可能需要模型连续读取网页、分析文件、调用工具，再根据新的信息继续推理。

因此模型需要不断保存前面的上下文，其中关键的一部分，就是 KV Cache。你可以简单把它理解成模型保存历史信息的「草稿纸」。

上下文越长，这张「草稿纸」就越大，需要占用的显存也越多。而 Agent 往往需要连续执行很多轮，任务一长，这部分显存开销就会越来越明显。

V4.1 Flash 针对这一点进行了专门优化。

官方数据显示，在百万级上下文下，它将单 Token 的 KV Cache 记忆开销压缩到了 890 字节。

相比过去的模型，大幅降低了长上下文带来的显存压力。

当模型需要处理超长文本、代码工程以及大量历史信息时，可以用更少的显存保存这些上下文。

对于需要长时间运行的 Agent 来说，这意味着更低的运行成本。

「为什么特别适合 Agent？」

传统聊天场景下，用户问一个问题，模型回答一次，计算成本相对有限。

但随着 AI Agent 的兴起，计算成本便显著提升。

一个 Agent 任务可能要连续运行几十轮甚至更多：读取网页、搜索信息、打开文件、修改代码、调用工具，再根据结果继续执行。

任务越长，需要保存的上下文越多，需要调用模型的次数也越多。所以对于 Agent 来说，一个模型不仅要「聪明」，还必须做到两件事：要运行得起，也要长期跑得动。

V4.1 Flash 的架构优化，恰好针对了这两个问题：

一方面，通过非对称计算和更高效的计算复用，减少每次推理需要调用的计算资源；另一方面，通过降低 KV Cache 等上下文记忆的开销，减少长时间运行时的显存压力。

V 4.1Flash 同时也传递了一个信号：模型不一定要靠堆更多参数，才能获得更强的能力。通过更合理的架构，把同样的能力用更低的成本跑出来。

综合这些优化，再加上更大规模的强化学习后训练，DeepSeek V4.1 Flash 在多个测试榜单中超过包括 DeepSeek V4 Pro 在内的一系列旗舰模型。

DeepSeek V4.1 Flash 花费大概 1 个小时，提交了答案，它是自己一道一道题目解答的，并没有启动子代理，这非常考验上下文的注意力，每一道题目的推理步骤不算短，当上下文一长就很容易发生注意力偏移，最后还需要把 6 道测试题目总结。

实测中 4.1Flash 使用了 60% 的上下文，最后给出的答案，也没有出现幻觉。另外 Token 的吞吐速度非常快，要是不停下来，基本上无法看到思维链具体的内容。

另外 V4.1Flash 对工具的调用能力也显著增强，在解答题目的时候使用了很多 Python 脚本验证自己的猜想，

V4 Pro 这边的解法又不一样，它更倾向于启动子代理，并行解决问题，由自己调度，最后整理答案，但想法很美好，实际的表现却很差劲。

在思考了将近 50 分钟后，它一口气启动了三个子代理，负责三个不同问题。

这个时候，我还没发现不对劲的地方，当持续跑了 30 分钟后，我发现不对劲了，子代理和主代理在解决同一个问题，这既浪费 Token，还耗费时间，效率并不高。最后在思考 180 多分钟的时候，V4 Pro 甚至出现了思考宕机的情况，满屏都是「hmm」。

看看两者的解答分数与费用：

在得分上，V4.1 Flash 和 V4-Pro 之间的差距并不大，甚至在多道题上拿到了同等分数。但如果比较推导过程两者的差距就高下立判了。

V4.1 往往能猜对结论或摸到大体方向，但在更严密的逻辑中，始终「棋差一招」：要么是推演路线未能形成数学闭合，要么是只完成了部分下界推导而漏掉了上界，而在证明高难命题时，会悄悄把未经证实的猜想直接当作已知前提。

相比 V4-Pro 能够完成端到端的严密归约与收尾，V4.1 Flash 则会受限于模型参数本身，在需要高强度多步推演的复杂逻辑面前，由于计算深度不够，无法实现完整的推理闭环。

然而，把推导严谨性的差距先放一旁，账单上的数字，更值得关注。

答完这一整套数学测试，V4.1 Flash 消耗了 2700 多万 Token，花费不过 2.73 元，甚至不够买一瓶饮料；而 V4-Pro 的 Token 消耗量直接翻了三倍多达到 8500 多万，账单暴涨到将近 37 元。

换句话说，V4-Pro 为了把细节彻底推导闭环，直接让成本飙升了 13 倍，换来的却只是细节层面的微调与补足。

对于非科研场景来说，这种对细节极致追求带来的收益，显然不够划算。

这就能体现出 Flash 的独特优势：用不到一折的费用，也可以交出一份八九十分的高分答卷。

第二关：给定需求后，它到底能不能真正干活？

这一次，我考察的是 3D 建模，要求制作一个森林小屋。

由于没有给参考图，模型需要自己想出画面。构图、摆位、比例，全得自己定。另外需求里还列了四十多个小物件，从木柴堆、手推车、墙上的干草药等。如果没有做完清单，画面就不够丰富。

以及对美学的掌握、理解能力，要求有干净的轮廓线、湿地面反光、屋里火光一跳一跳，能不能把「温暖、安静、有点孤独」这种感觉做出来。

最后，在这么长的提示词中，我还设置了一个小陷阱，要求加载一个不存在的模型文件，还不许看其他文件。

看看是否会糊弄我，产生幻觉。

由于这一次的 V4.1Flash 相比比前不久发布的 V4-Flash-vision-exp（视觉实验性模型），具有原生多模态。它在搭建过程中能频繁自测截图并调整画面，识图能力大幅度增强。

最终的成品还是相当不错，除去树木未接地、微弱穿模等细节小瑕疵，提示词中的要求基本达标，我给它挖的坑，也指了出来。最主要的是，输出的速度是真快，TPS 有 277 tok/s，给大家感受一下，完全看不清楚思维链。

V4.1Flash 拥有这样的速度，带来了什么好处？

在「又快又准」且成本极低的前提下，V4.1 Flash 简直天生适合干脏活累活、处理高频确定性任务的「性价比模型」。

你完全可以将自己手上的脏活累活，交给 V4.1 Flash。

但在测试中，时间成本反而是最让人头痛的问题。前后跑了 1 小时 40 分钟。模型本身的思考速度相当快，最大的问题在于工具调用的执行效率，频繁调用外部工具所产生的等待时间，是纯思考时长的两倍多。

也就是说，Flash 本身输出的速度已经足够快，但内部工具的调用却成了拖慢节奏的最大阻碍。

不过转念一想，整整消耗了 8000 多万 Token，最终账单竟然只有 3 块 3，就冲这离谱的性价比，还要啥自行车？

如果你的工作流主要是整理文档、常规代码、确定性工具调用等标准化杂活，完全可以放心全权甩给它；

但如果面对的是对于思考、容错率极低的复杂问题，V4.1 Flash 更舒服的生态，其实是给顶尖模型「打下手」：让它在前面把脏活累活包圆，把核心的决策与复杂逻辑留给更加智能的模型。

第三关：事情做完了，它到底能不能交付？

这个测试中，我需要 V4.1Flash 实现一个个人工作台。如果说前两个测试考查的是深度推理与 3D 空间，第三关我想看看它的「工程交付能力」。

提示词：

给泛生活人群制作一个集成式生活工作台，以单文件 HTML 交付，所有 CSS、JavaScript、图标与资源全部内联，不依赖外部组件，需要手机和电脑都能稳定使用。

工作台至少包含：今日生活指数；记账理财（收支记录、预算、月度对比、分类筛选、消费结构、Excel 导出）；习惯健康（用户可新增或删除习惯，支持勾选、计数、数值三种打卡方式和 30 天热力图）；减脂健身（体重体脂、7 日均线、BMI、目标进度、热量缺口、可自定义周计划）；日程统筹；待买清单；书影音收藏（状态、星级、短评、封面墙/列表、年度统计）。

数据必须输入即保存到 localStorage，关闭页面后仍在；提供 JSON 导出备份与不限条数导入，新增满 20 条提醒备份，存储失败和数据损坏要明确提示并允许恢复；预置少量可清空的演示数据。视觉保持克制、高级、有生活感，避免千篇一律的模板化卡片风。

虽然我给的提示词已经足够完善，开放的权限也是完全访问，但是它还是注意到，我的提示词中，没有对前端的设定做约束，于是停下来问我具体需求。

这让我很惊喜，在实际工程中，最怕的就是模型闷头干活、不问需求，等一口气全部写完后，才发现需求对不上，最后又要推倒重来。

懂得在动工前先把核心偏好对齐，这才是靠谱团队成员该有的样子

最后给的成品，也是不错的，除了记账条形图稍微偏出线框这种排版小瑕疵，提示词里列出的七大功能全部实现，本地存储与导入导出也都能稳稳跑通，另外在手机端也可以丝滑交互。

3、DeepSeek 究竟想走出一条什么样的路？

回看过去三年，DeepSeek 几乎是行业里最早下注 MoE（混合专家架构）之一的团队。

当许多团队还在坚持 Dense（稠密架构）堆参数时，他们就已经用自研的 MoE 和 MLA，把每 Token 的推理成本打到了地板价。

而如今在 V4.1 Flash 身上，又能看到 DeepSeek 对「架构工程」的执念：

它不再局限于传统的单体自回归，而是重构了因果编解码解耦（CED）架构，把理解上下文与逐字生成的算力彻底分流；它甚至在底层塞进了容量高达 196B 的 Engram 静态记忆模块，用直接查表的物理外挂替代昂贵的动态计算；

再加上多模态 CSAv2 的精巧复用，最终把百万上下文下的 KV Cache 单 Token 显存开销硬生生压到了仅 890 字节。

模型能力决定了 AI 的上限，但推理效率、工具生态与运行环境，才决定了 AI 能否真正进入我们的日常工作。

DeepSeek V4.1 Flash 的发布，正是在这一方向上的一次有力的探索。

参数可以更大，思考可以更长，工具调用的次数也可以成倍增加。只要最终交付一个完整任务所消耗的显存、时间与费用还在持续下降，它就依然是一款极其便宜且极具竞争力的模型。

从 7 月底亮相 V4-Flash 正式版，到 8 月推出的旗舰 V4-Pro，紧接着迭代 Vision Exp 视觉实验版，再到现在的 V4.1-Flash，DeepSeek 的模型迭代节奏相比前一年愈发加快。

在当下，那些主流的 Benchmark 榜单基准趋近饱和，盲目刷分的神话已进入尾声。

大模型赛道的下半场，大参数的模型并不是唯一选择，谁能跑出更极致的 TPS、把单 Token 的显存开销压到极致，让开发者能把 Agent 稳定推进每一个真实的业务场景，这本身也是一条更具价值的赛道。

当把大模型打造成人人都用得起的基础水电，这或许才是 DeepSeek 正在用极速与普惠下的真正底牌。

这条通往现实生产力之路，正是 DeepSeek 向行业交出的答卷。