DeepSeek V4.1 Flash 发布开源，Harness v0.1.5同日适配

2026 年 9 月 10 日，DeepSeek 一次性放出了三样东西：V4.1 Flash 的模型权重（MIT 协议）、Agent 框架 DeepSeek Harness 的 v0.1.5、以及一个此前没被预告过的 xPU 内核 JIT 编译库 DeepJIT。模型、推理栈、Agent 框架三层同时开源，再加上一份保留峰谷机制的降价通知，这套组合拳的分量比单看参数表要大得多。

对开发者来说，这次发布里有两件事需要立即行动：一是 deepseek-v4-pro 的调用将在 9 月 14 日 12:00 起被自动路由到 V4.1 Flash 并按新价格计费；二是 Harness 的 v0.1.5 头号更新就是为这个模型做专项训练适配，意味着配套的 Agent 用法也有变化。

这篇文章按"规格拆解 → 成本结构 → 迁移清单 → 生态盘点"的顺序展开，尽量把官方通稿里被简化掉的部分补回来。

一、先拆规格：552B 这个数字会漏掉一层

官方口径是 “552B 参数 MoE”，但这个数字只算主干。完整渲染这套架构需要三个数字：

• 552B：MoE 主干参数（对比 V4 Flash 是 284B）；
• 约 196B：Engram 条件记忆模块，位于第 1 层和第 14 层，稀疏访问，不计入官方 552B 口径；
• DeepSeek-ViT：视觉编码器，原生多模态视觉理解所需。

三者加起来，总存储参数约 763B。据 MarkTechPost 的拆解报道，如果写技术文章时只报 552B，会漏掉 Engram 这一层——而它恰好是理解后面 KV Cache 为什么能压这么狠的关键之一。

MoE 结构层面：每层 1 个共享专家 + 384 个路由专家，每 token 激活 top-6。整体架构是全新的 Causal-Encoder-Decoder（CED），共 40 层，由 20 层因果编码器 + 20 层解码器组成。

激活参数是非对称的，这点值得单独拎出来：

非对称激活配合 CED 的分层设计，是"输入侧便宜、输出侧贵"这一成本结构在架构层的来源。对做长文档理解、RAG 预填充密集的应用来说，输入阶段只激活 8B 是个实打实的成本利好。

上下文窗口最高 100 万 tokens。

二、成本结构的真正改写：890 字节/token 是怎么来的

发布材料里最容易被当成营销数字带过的一句话，是"KV Cache 相对初代缩小约 437 倍，HBM 需求降至 1/4、SSD 降至 1/8"。实际口径是：完整 1M 上下文只需约 0.9 GB KV Cache，平均每 token 约 890 字节。

这个数字不是靠单一技巧压出来的，而是三重机制叠加的结果。据 InfoQ 中文站的技术拆解，机制如下。

第一层：CSA2（Compressed Sparse Attention 2）

CSA2 替代了此前 V4 系列使用的 CSA + HCA 混合方案。核心变化是：每个注意力层被静态指定为三种模式之一——

• Full：自己计算 main KV、投影 indexer K、选出新的 Top-K 索引；
• Reindex：复用上游的 main KV 与 indexer K，但用自己的 indexer Q 重新打分；
• Reuse：直接复用上游的 main KV 与 Top-K 索引，完全跳过 indexer 计算。

跨层共享 main KV 和 indexer K，并复用 Top-K 稀疏索引，配合 Hierarchical Sparse Indexer，让深层注意力的开销与上下文长度解耦。这是"层数越深越贵"这一传统认知被打破的地方——深层的注意力几乎不再随序列长度线性增长。

第二层：FP4 主 KV 缓存

主 KV Cache 使用 FP4 存储，具体是 E2M1 格式，每 16 个通道配一个 E4M3 的 scale。这一步直接把缓存位宽砍到 4 bit 量级。值得注意的是，FP4 KV 与 CSA2 都需要非标准 kernel 支持——这正好解释了同日开源 DeepJIT 的动机，后面会讲。

第三层：SWA Bounded Replay

滑窗注意力（Sliding Window Attention）的 KV 不再持久化，而是在需要时重建（bounded replay）。用计算换显存，把滑窗部分的常驻开销归零。

“分层复用 + 低精度 + 有界重放"这套组合，是这次发布里技术上最值得细看的一段。它的直接后果是：长文本推理的显存瓶颈从"放不下 KV Cache"变成了"KV Cache 几乎不占地方”，单卡能支撑的并发会话数和上下文长度都被重新划定了边界。

三、基准：反超是真的，但有一个明显的反例

官方自测数据（均为厂商口径）：

Agent 类与代码类基准全面超过 DeepSeek-V4-Pro-0813，部分超过 Claude Opus 5——"Flash 反超自家 Pro"这个说法在这些项目上是成立的。

但**"全面超越"在难题推理上不成立**。HLE（Humanity’s Last Exam）只有 36.8，仍落后于 Opus 5。写选型报告时把这个反例点出来，比笼统地说"全面领先"要可信得多。

另一个必须标注的 caveat：发布时第三方评测机构（Artificial Analysis）尚未出独立测评，上表全部为厂商自测口径。厂商自测与第三方复现之间的差距在历史上并不小，正式选型前建议等独立数据。

四、价格：两套互相矛盾的口径，动手前请核实 changelog

这是本次发布里最容易被写错的一块，值得花篇幅说清楚。

流传最广的中文媒体版本（据腾讯云开发者、新浪财经、凤凰科技、IT之家等报道）：空闲时段缓存命中 0.02 元 / 未命中 1.0 元 / 输出 4.0 元，高峰翻倍，9 月 10 日 12:00 生效；对比旧价 0.05 / 1.5 / 4.5，缓存命中降幅约 60%。

但 businesstimescn 的一篇文章指出这个流传版本有三处错误：

该文给出的 V4 Flash 官方美元价为：

这两套口径很可能对应 8 月与 9 月两次不同的调价事件被混为一谈。据 businesstimescn 分析，这种情况下的正确做法是以官方 changelog 为准，并明确标注币种口径。本文不复刻那个广为流传的版本，也不把它当成定论——动手改代码前请自行核对官方定价页。

峰谷机制的真实价差比"高峰翻倍"要陡峭得多。 同一时段内，缓存命中输入与未命中输入的单价差距达 31.4 倍（0.007 vs 0.22 美元），输出与缓存命中输入的差距约 94.3 倍。而高峰时段只覆盖每周 168 小时中的约 35 小时（不到 20%，周一至周五北京时间 9:00–12:00、14:00–18:00）。

这个结构意味着：对缓存密集型应用，命中率比模型选型更决定账单。客服、知识库问答、固定 system prompt 的 Agent 长会话——这些场景的成本几乎完全由缓存命中率主导。这也正是"把缓存命中价压到 0.02 元"这个动作的真实商业含义：它奖励的不是"用哪个模型"，而是"有没有把 prompt 前缀设计成可缓存的"。

五、迁移清单：这不是一次普通的下线

如果你有生产环境在调 deepseek-v4-pro，下面这几条需要立刻处理。

时间线与影响面

• deepseek-v4-pro 原定下线时间推迟到北京时间 2026-09-14 12:00；
• 下线后，deepseek-v4-pro 的请求自动路由至 V4.1 Flash，并按新单价计费；
• API 名改为 deepseek-flash，旧的 V4 Flash 与 V4 Flash Vision Exp 下线。

争议点（据凤凰科技报道）

• 从通知到下线不足 48 小时；
• 没有并行迁移期——不存在新旧模型同时可用、可灰度对比的窗口；
• 消息通过社区群而非官方 API changelog 发布。

对照组被反复提及：OpenAI 关停 Sora API 时提前了 6 个月通知。另有科研团队反映，其研究基于 DeepSeek-V4-Pro-0813，模型撤下后实验无法复现——这是"模型下线"对学术复现性的直接影响。

内测期已知 bug：英文提问偶尔返回中文；开启联网搜索时存在语言不一致问题。这两个问题在迁移评估时值得重点压测。

迁移动作建议

# 迁移前：显式指定旧模型名，9/14 后会被静默路由到 V4.1 Flash
client.chat.completions.create(
model="deepseek-v4-pro", # ⚠️ 9/14 12:00 起自动路由至 V4.1 Flash
messages=messages,
)

# 迁移后：显式使用新 API 名，避免依赖隐式路由
client.chat.completions.create(
model="deepseek-flash",
messages=messages,
)

配套的检查项：

六、Harness v0.1.5：模型与 Agent 框架开始协同设计

同日的 DeepSeek Harness v0.1.5，核心就是针对 V4.1 Flash 的专项训练适配，覆盖三种 Harness 配置：标准模式、PTC（程序化工具调用）模式、极简模式。源码在 github.com/deepseek-ai/deepseek-harness。

安装启动：已装 Node.js 的工具链可以直接跑：

npx @deepseek-ai/dsh web

这会启动 Web UI。

v0.1.5 里最实用的一条更新：支持保留已有 KV Cache 的情况下更新系统提示词。对长会话 Agent 来说，这一条的实际意义是省掉改 system prompt 之后的全量重算——在缓存命中价与未命中价差 31.4 倍的价格结构下，这个特性的省钱效果可能比模型本身降价还明显。

其余更新包括：文件上传与 Sidebar 预览、插件扩展入口标准化、长会话性能优化、子 Agent 双向通信，以及实验性 Agent Teams。

Agent Teams 的几个细节：以实验性插件形式提供、默认关闭、需在命令行把插件加入 Profile 才能用，且会产生额外 token 消耗。官方后续计划做内置插件管理面板。

插件生态已经长出多个第三方实现。在官方 Agent Teams 之外，社区已有：wowyuarm/dsh-agent-team（npm @wowyuarm/dsh-agent-team 0.1.7，在官方 Discussion #4303 “Show Your Plugins!” 板块明确标注非官方）、huxint/dsh-team（支持 /agent-teams <目标> 拉起队伍，maxTeammates 默认 8、maxChainHops 默认 4）、@nanmicoder/dsh-agent-teams（0.1.15，含 requirements→implementation→verification→review→integration 质量门）、dsh-ai-team、dsh-flat-teams 等。安装方式统一：

dsh plugin –profile web add <包名>

取向差异也值得注意：官方 Agent Teams 偏任务拆分与跟踪，社区版偏长期驻留与 human-in-the-loop。选型时按自己的流程需求挑。

七、开源 ≠ 可得：2000 张 GPU 的门槛与社区反例

权重以 MIT 协议发布于 Hugging Face 和 ModelScope，共 48 个分片，技术报告一并放出。MIT 意味着可商用，这是这套权重最实在的价值。

但官方口径的自部署门槛约 2000 张 GPU 加存储集群。这是"能下载"与"能跑"之间的真实距离。

社区已在尝试把这个门槛往下压：tonyd2wild/DeepSeek-V4.1-Flash-vLLM-DGX-Spark 用 4 台 NVIDIA DGX Spark、vLLM TP4（MXFP4 experts） 跑通，仓库里包含 Engram-on-disk patch、sm121 kernel 构建、启动脚本与实测数字。这类可复现的轻量部署尝试，是"开源 ≠ 可得"这个论述里最有价值的部分——官方给门槛数字，社区给反例。

同日还开源了 DeepJIT——一个轻量级 xPU 内核 JIT 编译库。这一项不在最初的话题摘要里，但它其实是理解整盘棋的第三块拼图：V4.1 Flash 的 FP4 KV Cache 与 CSA2 都需要非标准 kernel 支持，JIT 编译库是否开源，直接决定第三方推理引擎（vLLM / SGLang）能不能低成本跟进适配。把它和权重、Harness 放在一起看，"模型 + 推理栈 + Agent 框架三层同时开源"的意图就清楚了。

八、总结：这次发布真正改变了什么

规格层面：552B MoE + 196B Engram + ViT 约 763B 存储参数，CED 架构（20 层编码 + 20 层解码），非对称激活（输入 8B / 输出 16B），1M 上下文。

成本层面：890 字节/token 的 KV Cache 是这次最硬的技术成果。CSA2 三种层模式 + FP4 缓存 + SWA 有界重放，把长文本推理的显存结构改写了一遍。但要注意价格口径的混乱——币种、颗粒、生效日期都有矛盾版本流传，动手前请核实官方 changelog。

选型层面：Flash 在代码与 Agent 基准上反超 Pro 是真的，HLE 36.8 落后 Opus 5 也是真的；且全部为厂商自测，第三方独立测评尚未出炉。

生态层面：模型权重 MIT 开源、Harness 开源且已长出多个社区插件、DeepJIT 补齐推理栈——这是国产模型冲击开发者入口最完整的一次组合，但它同时也暴露出一个短板：不足 48 小时的迁移通知、没有并行期、走社区群发布。对已经上生产的团队，9 月 14 日 12:00 是个硬截止时间，这个周末得加班了。

最后留一个观察点：模型与 Agent 框架协同设计这件事，V4.1 Flash + Harness v0.1.5 是第一个明确的样本。Harness 的三种模式（标准 / PTC / 极简）是跟着模型训练一起定的，这意味着以后选模型可能不只是选 API，而是选一整套 Agent 配置。这个趋势对开发者是好是坏，得看各家会不会走向"框架绑定"。

参考链接

• 模型权重：huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash
• Harness 源码：github.com/deepseek-ai/deepseek-harness
• 插件讨论区：deepseek-harness/discussions/4303
• 社区轻量部署：tonyd2wild/DeepSeek-V4.1-Flash-vLLM-DGX-Spark
• CSA2 技术拆解（InfoQ 中文）：infoq.cn/news/sbaJrAa8VTIRKIPCpKlo
• 规格与基准拆解（MarkTechPost）：marktechpost.com — DeepSeek-V4.1-Flash 发布解读
• 定价口径澄清（businesstimescn）：businesstimescn.com/articles/625824.html
• 迁移争议报道（凤凰科技）：tech.ifeng.com/c/8wIslCJisoh
• Harness v0.1.5 说明（IT之家）：ithome.com — Harness 0.1.5 更新
• DeepJIT 开源（腾讯云开发者）：cloud.tencent.cn/developer/article/2741287