DeepSeek V4.1-Flash 拆解：8B prefill 打贏旗艦、KV cache 縮到 1/4

2026-09-28 · AI 實戰 · Eric Cheung

發佈：2026年9月10日，V4.1-Flash 直接取代 V4-Pro

DeepSeek 喺 2026年9月10日發佈 DeepSeek-V4.1-Flash，官方定位係「新架構家族裡面最細嘅一隻」，同時開源權重同出技術報告。最實用嘅一句係官方自己講：多個第三方測試顯示 V4.1-Flash 喺性能、成本、速度同總運行時間都超前旗艦 V4-Pro，所以佢開始淘汰 V4-Pro。

呢篇唔做轉載。對落地真正有影響嘅係四件事：① 佢點樣用 8B active 參數做 prefill；② KV cache 縮到四分之一，對 agent 成本結構有咩實際改變；③ 舊 model 名同 V4-Pro 流量會點被路由；④ 官方 benchmark 同第三方實測邊幾行要打折扣。價錢、規格同路由政策嚟自 DeepSeek 官方 news 頁同官方定價頁（2026年9月28日查），第三方資料會另外標明。

快速結論（TL;DR）

• DeepSeek 2026年9月10日發佈 V4.1-Flash：552B MoE 骨幹、支援 1M context、384K 最大輸出，仲由實驗版升級到正式支援原生圖像輸入（V4-Pro 唔支援 vision）。
• 關鍵架構係 Causal Encoder-Decoder：40 層拆成 20 層 encoder ＋ 20 層 decoder，讀入（prefill）只啟用 8B 參數，生成（decode）16B；舊 V4-Flash 係兩邊都 13B —— 呢個不對稱設計正正針對 agent 迴圈「輸入遠多過輸出」嘅成本結構。
• KV cache 縮到 V4-Flash 嘅 1/4（global、890 bytes/token），放 SSD／host 嘅 persistent 部分係 1/8；靠 CSA2 跨層共用、FP4 低精度 KV 同 SWA Bounded Replay 三招夾埋。
• 官方定價（USD／百萬 tokens，離峰）：cache hit $0.003、cache miss $0.15、output $0.6；同一時間 V4-Pro 係 $0.022／$0.66／$1.98 —— 即係 hit 平 7.3 倍、miss 平 4.4 倍、output 平 3.3 倍，並發上限仲高 5 倍（2500 對 500）。
• 遷移要留意：V4-Flash 系列已退役，2026年9月14日起 `deepseek-v4-pro` 嘅請求會直接路由去 V4.1-Flash 並按 Flash 價收費，直到 V4.1-Pro 推出；但 Automation-Bench 只有 54.8 分，複雜 workflow 仍要留人手覆核。

架構：CED 令讀入只動 8B、生成 16B

大模型推理分兩步：prefill（讀你嗰堆輸入、建立 KV cache）同 decode（逐個 token 生成輸出）。其他 MoE 模型兩步啟用相同參數量，V4.1-Flash 就將成個骨幹拆成一個 20 層 causal encoder 加一個 20 層 decoder，decoder 嘅 KV cache 直接由 encoder 輸出投影出嚟 —— 所以 prefill 只需要跑 encoder。

• 不對稱啟用：prefill 8B active／token、decode 16B active／token；舊 V4-Flash 係 13B／13B —— 生成比讀入難，所以算力優先撥去 decode
• 規模：552B backbone MoE ＋ 196B Engram 參數；40 層＝20 層 causal encoder ＋ 20 層 decoder；第一、二層只用 sliding-window attention
• 多模態：原生圖像輸入（視覺 encoder 由零訓練）＋ 文字輸出；正式版支援 vision，V4-Pro 官方標明唔支援
• 上限：context 1M tokens、最大輸出 384K、思考模式預設開啟（可調 reasoning effort 1–100）；支援 JSON output、tool calls、Responses API、Anthropic API 同 FIM（非思考模式）

對 agent 嘅意義好直接：一個 agent 迴圈每一步都會重發大部分相同 context，所以**讀入 token 通常遠多過輸出 token**。以前每步都要用 13B active 讀一次；而家用 8B 讀、16B 寫，成本重心就跟實際 token 分佈對齊。官方預訓練用咗 45T tokens 多模態語料，sparse attention 先喺 64K 序列長度訓練，到 34T tokens 時先擴到 1M context。

KV cache：HBM 減到 1/4、SSD 減到 1/8

長 context 嘅真正瓶頸往往唔係算力，而係 KV cache 佔幾多 HBM 同要唔要落 SSD。DeepSeek 官方數字：V4.1-Flash 嘅 KV cache 只需要上一代嘅 1/4 HBM 同 1/8 SSD 儲存；global KV 做到 890 bytes/token，同 V1 世代比差 437 倍。

• Compressed Sparse Attention 2（CSA2）：每一層靜態分配三種模式之一 —— Full（產生 global KV 同做 indexing）、Reindex（重用前一層 global KV，但用自己嘅 indexer Q 重新揀 Top-K）、Reuse（連 Top-K 索引一齊重用）。跨層共用 main KV 同 indexer K，直接慳重複儲存；decoder 再加 hierarchical sparse indexer，令深層 indexing 成本唔再隨 context 長度線性上升
• FP4 KV 快取：main KV 用 E2M1 格式儲存，每 16 條 channel 配一個 E4M3 scale —— 官方話訓練時已經用 FP4，性能跌幅有限
• SWA Bounded Replay：deployment 層嘅招。舊做法要精確重建 sliding-window KV 就要重播 L×n_win 個 token；新做法只重播最近 n_win 個 token 做近似重建，因此唔需要將 SWA KV 持久化落 SSD，官方話性能影響可以忽略

呢三招合埋有兩重意義：一是記憶體帳單細咗，二是 cache hit 率 —— cache 細就放得落更多 context，prefix 命中嘅機會高，命中就直接跳過重算 attention，time-to-first-token 同每 GPU 吞吐一齊改善。官方自己都講「cache-hit 費用往往佔 agent 成本一大截」，所以壓縮 cache 係壓成本最直接嘅一步。

官方定價：比 V4-Pro 便宜 3.3 至 7.3 倍

• deepseek-flash（＝DeepSeek-V4.1-Flash）：cache hit 離峰 $0.003 ／尖峰 $0.006；cache miss $0.15 ／ $0.3；output $0.6 ／ $1.2（USD／百萬 tokens）
• deepseek-v4-pro（＝V4-Pro-0813）：cache hit $0.022 ／ $0.044；cache miss $0.66 ／ $1.32；output $1.98 ／ $3.96
• 換算差距：cache hit 平 7.3 倍、cache miss 平 4.4 倍、output 平 3.3 倍 —— 即係越依賴 cache 命中嘅 agent 場景，省得越多
• 並發上限：Flash 2500、V4-Pro 500（高 5 倍），對高頻呼叫嘅生產線有實際影響
• 峰谷時段：尖峰係 UTC 01:00–04:00 同 06:00–10:00（星期一至五，中國公眾假期除外），其餘時段（含週末同中國假期）全部係離峰價，即係半價

一個實務提醒：離峰係一半價，唔係「平少少」。批量 job、夜跑 eval、文件摘要呢類可以排程嘅工作，排去離峰即係直接砍半；但實時 agent 就冇得揀，所以要靠 cache 命中率同 output 長度控制去省。價錢同 model 名單以官方定價頁為準，DeepSeek 明言有權改價。

遷移：舊 model 名會點、V4-Pro 流量去邊

• 新代碼直接用 model 名 `deepseek-flash`；舊名 `deepseek-v4-flash` 同 `deepseek-v4-flash-vision-exp` 仍然收得到，但對應模型已退役，請求由 V4.1-Flash 服務、按 Flash 價收費
• 原本只支援實驗版 vision 嘅路徑，而家正式版就支援原生圖像輸入 —— 之前用 Vision-Exp 做嘅截圖分析、圖表解讀可以直接搬過去
• 2026年9月14日 04:00 UTC 起，所有 `deepseek-v4-pro` 請求會路由到 V4.1-Flash 並按 V4.1-Flash 價收費，直到 V4.1-Pro 推出；換言之「Pro 名字、Flash 行為、Flash 價錢」
• 如果你嘅 prompt 依賴 V4-Pro 獨有行為（例如某些長鏈推理習慣），要喺正式切換前自己 A/B 一次 —— 路由係自動嘅，唔會問你
• 生態方面：官方夥伴 WorkBuddy（含 CodeBuddy）同 OpenCode 已全面支援；release 本身冇附 Jinja chat template，需要自己砌 prompt 嘅話官方另出 `deepseek-recipe`（Rust 核心 ＋ Python bindings）做 Conversation 編碼／解碼

官方亦講得好白：如果你係認真要自架大規模部署，「2,000 張 GPU 加一個儲存叢集」先值得坐低傾。細團隊同個人用 API 起步仍然係合理選擇，順帶一句 —— 呢個「KV cache 壓縮」方向唔止 DeepSeek 做，想睇本地／雲端之間點取捨可以參考 本地 vs 雲端 AI 分析。

Benchmark 點讀：Automation-Bench 54.8 即係仲有一半會失敗

• 贏 V4-Pro，但用三分之一參數：第三方整理指 V4.1-Flash 喺 coding 同 agentic benchmark 全面超前 V4-Pro；進步最大嘅係長時程 agentic 任務（雙位數），單次 CLI 任務嘅進步較細
• Automation-Bench 54.8：即係複雜 workflow 仍然有近一半會失敗 —— 直接結論係 agent pipeline 要留人手覆核，唔好當佢可以無人值守
• 視覺推理：第三方指圖表解讀同圖像邏輯推理明顯改善，餵截圖、dashboard、UI mock-up 嘅場景最受惠（V4-Pro 唔支援 vision，所以呢類任務以前冇 Pro 路可揀）
• 第三方基準表（例：Xiaomi 自測表列 DeepSWE v1.1）：V4.1-Flash 74.2，同 Claude Opus 5 嘅 74.0 同級 —— 但廠商自測表嘅對手分數係自己跑，唔等於對手官方數字，只可以當方向性參考

一句總結 benchmark：V4.1-Flash 嘅定位係「接近旗艦嘅 agent 能力，但用少三分二參數、平一大截」，唔係「全面最強」。真正要決策嘅位唔係榜首，而係你嗰條 pipeline 最貴嘅部分係 prefill、cache hit 定 output —— 三樣嘅省錢幅度唔同，揀之前最好用自己嘅 workload 跑一次成本對比。

對實戰嘅意義

呢次發佈最值得學嘅唔係分數，而係成本結構被重新分配：輸入讀取唔再同輸出生成一樣貴，KV cache 由「買幾多 HBM」變成「cache 命中率有幾高」。

• Agent 開發者：成本重心由 output 移向 prefill／cache，穩定嘅 system prompt 同 prefix 會直接反映落帳單 —— 減少每次重寫 prompt 開頭變成真正嘅省錢手段
• 已用 V4 系列嘅團隊：因為 V4-Pro 流量自動路由，你唔升級都會「被升級」；趁機會量度一次延遲、成功率同成本，先至知係賺定蝕
• 新項目：1M context ＋ 384K 輸出 ＋ 原生視覺 ＋ 2,500 並發，呢組合喺一年前係旗艦級配置，而家係中價位 —— 可以直接 build 長文件、長對話同截圖理解類產品
• 要留意嘅風險：model 名同價錢都可以一夜之間改路由，任何依賴單一 provider 嘅 pipeline 都應該有 fallback；成本控制亦要覆蓋 cache 命中率而唔止 token 數

想睇上一個世代（V4-Flash 0731 對 V4-Pro）嘅定價同 benchmark 拆解，可以參考 DeepSeek V4 Flash vs V4 Pro 對比；如果關心嘅係企業層面點管 AI 成本，企業 AI 成本管理指南 有整套框架。