DeepSeek V4.1 Flash：低成本推理与实际测试中的不同结果

DeepSeek V4.1 Flash 推出了，它兼具低价、速度和公布的基准测试成绩，引起了我的关注。我看到一个反复出现的趋势：前沿模型继续进步，开放权重模型随后接近先前一代的水平，未来部署可能也会变得更容易。但我自己做的少量测试并不总能达到基准图表所暗示的水平。

DeepSeek 将 V4.1 Flash 与 Kimi K3、GLM 5.3、Claude Opus 5 和 GPT 5.6 Sol 进行比较。图表显示，它在 Terminal-Bench 3.0 中得分 30.0，在 DeepSWE v1.1 中得分 74.2，在 CyberGym 中得分 88.1。图中 Opus 5 和 GPT 5.6 Sol 的 Terminal-Bench 得分都更高；表现取决于具体基准和测试条件。

该模型共有 5520 亿参数。相比总规模，我对它的效率更感兴趣：混合专家模型会将工作路由到部分选定权重，而不是为每个 token 激活全部权重。这可以减少推理所需的计算量，但不意味着部署时不再需要考虑未激活的权重。

DeepSeek 介绍了一种因果编码器—解码器架构，输入时激活 80 亿参数，输出时激活 160 亿。公司将公布的性能归因于这种架构、新的预训练方法和更大规模的强化学习后训练。我的使用感受是，这个模型非常快，稍后我会演示。

模型在不同类别的基准测试中表现并不一致。DeepSeek 的 CyberGym 得分在展示的比较中领先，但 ExploitGym 得分低于表中几个竞争模型。这些是特定的公布测试结果，并不能证明某个模型在所有任务上都更好。

接下来是关于 KV 缓存的声明。KV 缓存存储生成过程中使用的注意力中间信息。DeepSeek 表示，V4.1 Flash 的缓存所需高带宽内存和 SSD 存储分别是上一代缓存的四分之一和八分之一。这是缓存之间的比较，并不是说整个模型的内存需求降到了四分之一。

我查看了显示内存价格上涨的图表，并将这种压力与 AI 需求增长和供应受限联系起来。高带宽内存是模型服务的重要成本，因此降低缓存需求可能很有意义。这些图表只是说明情况，具体产品的价格和涨价原因各不相同。

DeepSeek 的图表显示，从 V1 到 V3.2，再到 V4 Flash 和 V4.1 Flash，历代模型每个 token 的全局 KV 缓存字节数大幅下降。最新一代相对于 V4 Flash 又减少了约四倍。缓存占用更少，可能带来更高的吞吐量和更低的服务成本，具体取决于工作负载。

发布时的 API 价格区分高峰和非高峰时段。每百万个未命中缓存的输入 token，DeepSeek 标出的价格分别是非高峰 0.15 美元、高峰 0.30 美元；输出分别为 0.60 美元和 1.20 美元。每百万个命中缓存的输入 token 分别为 0.003 美元和 0.006 美元。这些是 2026 年 9 月展示的价格，并不代表当前价格。

模型权重可以下载，因此部署方式不局限于把数据发送给 DeepSeek 的托管服务。第三方云或本地环境也可能是选择，具体取决于硬件、实现和可用的量化方案。开放权重本身并不能保证普通电脑装得下一个拥有 5520 亿参数的模型。

DeepSeek 已因效率而闻名。我认为市场越来越明显地分成两类：最昂贵的前沿模型，以及速度更快、价格更低、足以完成许多任务的模型。我推测，制作网站或 PDF 之类的日常工作往往不需要最昂贵的模型，不过正确选择仍取决于质量要求和具体任务。

DeepSeek 还发布了介绍架构和技术的报告。这让其他研究者和开发者更容易研究其方法，并在现有资料基础上继续构建。不过，在考虑权重和报告的可用性时，仍需关注适用许可和实际部署限制。

为了演示速度，我要求模型写一篇关于 DeepSeek 的千词文章。回答出现得很快；我估计速度约为每秒 200 个 token，总共用了约 6 秒，但这只是目测估计，并非受控测量。生成速度令人印象深刻，但速度本身不能证明结果正确。

我的第一个魔方模拟大约 12 秒就完成了，初看似乎还不错。但打乱时，行为出了问题：方块移动不正确，点击求解后魔方直接跳回原始状态。我也无法像预期那样操作单独的面，因此这个测试结果令人失望。

我通过 Codex 运行框架，使用 DeepSeek V4.1 Flash 输入相同的提示。第二个界面看起来不同，控件也更多，但方块似乎互不相连，打乱和求解时颜色会错误变化。运行框架和执行环境与第一次测试不同，因此不能把这些例子当作受控比较。

第二个应用的求解功能会反向重放记录的操作。这可以撤销已知的打乱过程，但并不是针对任意魔方状态的通用求解器；展示的应用也说明了这一局限。多次打乱后，我看到求解失败，因此认为这个具体实现没有达到我的预期。

为了提供另一个比较，我的同事 Alex 一直让模型在 Microsoft Paint 中根据参考照片绘制肖像。我展示了一个使用层叠笔触的 Astra 示例，然后通过 Codex 让 DeepSeek 使用浏览器中的类 Paint 应用。两次测试环境并不相同：我的测试使用了不同的肖像和网页仿制程序。

DeepSeek 的结果风格化，可以看出是在尝试画肖像，但缺乏我在另一个示例中欣赏的细节。它没有重现同样的层叠笔触技术。这只是对一次尝试的非正式视觉判断，而非标准化的正面比较。

最后，我要求模型生成一个光线追踪的 3D 模拟，展示弹体穿过水的过程。生成的应用可以调整枪口速度、口径、质量、自旋等参数，但在我看来，实际模拟仍有不足。我的结论是，这是一个快速、便宜、适合承担日常工作的模型，但它与 GLM 5.3 的整体比较仍不确定。