DeepSeek V4.1 Flash 实测：非对称架构与 KV Cache 压缩如何把推理成本打下来

这周国产大模型圈挺热闹，九月里好几家同台发了新品。但最让我在意的，不是谁又堆了多少参数，而是 DeepSeek V4.1 Flash 悄悄把模型的骨架改了。

单看像一次普通升级，放远一点看，我觉得这是个信号：国产模型的竞争，正从「谁的参数更大」转向「谁更会省」。

便宜的背后是效率，不是补贴

V4.1 Flash 总参数 552B，听着还是个巨无霸。但它这次真正的改动不在规模，在结构。

官方叫它 Causal Encoder-Decoder 非对称结构，把 40 层 Transformer 拆成 20 层 encoder 加 20 层 decoder。结果很反直觉：读输入（prefill）时每 token 只激活 8B 参数，写输出（decode）时激活 16B。

传统模型这两步激活量一样，它掰成了不对称。为什么这事值得单独拎出来说？因为 agent 场景里，输入往往远大于输出。超长的 system prompt、几十万 token 的上下文、几十轮工具结果回填。读题阶段用 8B 更划算，写答案阶段用 16B 保质量。等于长输入变便宜了，输出没掉档。

把缓存压到了四分之一

如果说非对称结构还是工程层面的巧思，那 KV Cache 的压缩就是直接冲着账单来的。

KV Cache 是推理时的缓存：生成新 token 时，上文算过的中间结果存下来复用，不用每次从头重算。它很吃显存，上下文越长吃得越多，长对话、长文档、多轮工具调用的开销主要压在它身上。

V4.1 Flash 把单 token 的 KV Cache 压到 890 字节，大约是上一代 V4 Flash 的四分之一，对 HBM 显存需求降到四分之一，对 SSD 降到八分之一，相对初代模型累计缩小了 437 倍。

一个 10 万 token 的上下文会话，单 token 890 字节算下来，KV Cache 大约占 89 MB；换成上一代 V4 Flash（单 token 约 3560 字节）就要约 356 MB。一个会话差出 4 倍显存。长上下文跑起来顺不顺，往往就卡在这。

压缩稀疏注意力第二代、分层稀疏索引、再把缓存本身用 4 位浮点存。三管齐下，效果很直接：同一个长会话，显存占用和重复计算一起下来了。

价格跟着效率走，不是烧钱补贴

新价格 9 月 10 日 12:00 生效，单位是元/百万 token。缓存命中输入闲时 0.02、高峰 0.04；缓存未命中闲时 1、高峰 2；输出闲时 4、高峰 8。高峰是工作日北京时间的白天两段，其余闲时正好半价。

对比旧 Flash，缓存命中输入降了 60%，未命中输入降 33%，输出降 11%。

这不是靠烧钱做补贴式降价，是架构红利传导到了账单上。模型自己更会算、更会存，省下来的成本才敢让给调用方。闲时半价也不是噱头，它反映了一个事实：推理资源在闲时有富余，价格机制在把这份富余让出来。

顺带说一句 V4 Pro。它并没有下线，现在仍按自己那套更高价提供服务，输出大约是 Flash 的 6 到 7 倍。两个档位都还在，丰俭由人。

行业正在换挡

把镜头拉远，V4.1 Flash 只是这条线上的一个点。真正的变化是：模型的竞争焦点，从「能不能算」挪到了「能不能便宜地大规模算」。

原因很现实。今年以来，Agent、长文档、百万上下文这些场景集中爆发，大家发现推理成本的大头不在单次生成，而在反复 prefill 同样的长前缀、在缓存被上下文撑爆。瓶颈变了，优化的着力点就跟着变。

国产阵营这一年的动作，不约而同往效率走：MoE 把激活参数拆小、稀疏注意力砍掉无用计算、缓存量化把存储压扁。V4.1 Flash 把这几样叠到了一起，只是它做得更彻底。

这对普通人意味着什么？意味着百万上下文的 Agent，正从奢侈品变成日用品。以前跑一个长上下文 agent，账单能吓退小团队；现在架构把单位成本压下来，再加上闲时半价，个人和小团队真能用得起、用得勤了。这比单纯的「参数又大了」更有含金量，因为它直接降低了使用门槛。

「百万上下文的 Agent，正从奢侈品变成日用品。」

两个坑，和一次反转

观点归观点，落到自己账上得清醒。V4.1 Flash 有两个绕不开的短板。

1：它费 token。单次任务消耗的 output token 比 V4 Pro 和部分旗舰还多，「单价低」不等于「每件事都最便宜」；按 Intelligence Index 任务算约 0.27 美元，比 V4 Pro 低约 60%，但比旧 V4 Flash 略高一点。

2：推理不是它的强项。官方自评 HLE 36.8（低于 V4 Pro 的 42.7），Terminal-Bench 4.0 仅 31.2（Claude Opus 5 为 51.8）；编程和 agent 自动化强，但专家级科学类任务与巨型闭源模型仍有明显差距。

写在最后

V4.1 Flash 不是「又便宜了一点」，是它代表的方向：国产模型开始把架构效率当成卖点，不是堆参数。对咱们这种拿 AI 提效、又想要节省成本的朋友来说，这个方向是对的。

你如果也在用 DeepSeek 跑 agent，可以留意下这个趋势，比追每一次参数上新更有意义。像这类国产大模型的效率走向，开发者广场上也有不少人在跟踪讨论。