一文读懂 DeepSeek V4.1 Flash：降价的不是输出价，是你从没看过的那一行

DeepSeek V4.1-Flash · 架构与成本深度解析

架构 → 缓存 → 定价 → 账单：一条因果链走到底

数据截止 2026 年 9 月 30 日 ｜ 全文约 2.0 万字符、3 张文本示意与 2 张图表 ｜ 官方一手数据 + 本机实跑脚本，价格口径全部注明

目录

1. 引子：一个名不副实的「Flash」

2. 先看价格表：降得最狠的是最不起眼的那一行

3. 账单的两半：98.6% 的 token，45% 的钱

4. 890 bytes/token：一条四代曲线

5. 架构一：CED 不对称——读用 8B，写用 16B

6. 架构二：CSA2 的三种注意力模式

7. 架构三：FP4 量化与缓存的生命周期

8. 三个手段合起来省了多少

9. 能力账：它赢了哪里，又输在哪里

10. 口径警告：同一个模型，换个外壳差 8.7 分

11. reasoning effort：从 25 拉到 100，买到什么

12. 三条诚实边界

13. 六条使用规则

14. 常见问题

15. 数据时效与参考资料

16. 附录：本机实验台

关于本文数字的三种口径（沿用本系列惯例）：

时效声明：V4.1-Flash 于 2026 年 9 月 10 日发布，本文写作时距发布 20 天。官方已明确 deepseek-v4-pro 自 9 月 14 日起路由至 Flash，直到 V4.1-Pro 发布——这意味着这个模型所处的版本窗口仍在变动中。引用价格前请核对官方定价页。

1. 引子：一个名不副实的「Flash」

先看三组数字。

一个叫「Flash」的模型，主干比它取代的那个大了一倍——这件事本身就值得停下来想一想。

再看它的成绩：官方对比表里，V4.1-Flash 在两边都有分的 14 行基准里赢了 12 行，对手是自家的 V4-Pro——一个 1.6T 主干、49B 激活的旗舰。而它用的是三分之一的主干参数、六分之一的激活参数。

最后看价格：它比上一代更便宜。

大了一倍、强了一个档、还更便宜。 这三件事同时成立，就意味着旧的那个「参数量 = 成本」的直觉，在这个模型上失效了。失效的原因，是这轮发布里真正重要的东西——不是参数量，是架构把「读」和「写」拆开了。

先说一条时间线，因为它决定了你此刻看到的价格是临时的还是长期的：

本文要回答三个问题：

2. 先看价格表：降得最狠的是最不起眼的那一行

官方定价页给出的完整价目表如下（单位：美元 / 每百万 token）：

两条规则要记住：

• 闲时价 = 高峰价的一半。 高峰时段是周一至周五 01:00–04:00 与 06:00–10:00 UTC（北京时间 09:00–12:00 与 14:00–18:00），中国法定节假日不算高峰。一周 168 小时里，高峰只占 35 小时。
• 缓存命中的单价，是未命中的 1/50。 闲时 0.003 对 0.15，正好 50 倍。

现在看降幅。把 V4-Flash 的旧价和 V4.1-Flash 的新价并排（人民币口径，闲时）：

看出问题了吗？

三条线里，降幅最大的是缓存命中（−60%），最小的是输出（−11.1%）。 而绝大多数报道会引用的，恰恰是那个最小的数字。

  这不是媒体偷懒，是「看得见的东西」和「重要的东西」经常不是同一个。 输出价是最好理解的——你生成多少字，就付多少钱。缓存命中价则需要你先理解「缓存」是什么，才能知道它为什么重要。

那它到底有多重要？看下一节。

3. 账单的两半：98.6% 的 token，45% 的钱

这一节是全文的核心，也是最容易被说错的一节。

有一份第三方对真实 Agent 流量的 30 天观测数据，结构是这样的：

这里面有个非常反直觉的事实：输出只有 500 万 token，缓存重读有 19.2 亿。

为什么？因为 Agent 的工作方式就是反复重读自己：

• 每一轮都要带上 System Prompt
• 每一轮都要带上项目说明
• 每一轮都要带上工具定义
• 每一轮都要带上前面几十轮的历史
• 每一轮都要带上上一步的执行结果

同一个前缀，它读了 100 遍。

  把它想成一本菜谱。 你每做一道菜都不重印整本书，只是把书摊在桌上，翻到同一页再看一遍。Agent 也是这样——它不重新"想"这些内容，它重新"看"这些内容。而"重新看"是要付费的。

现在关键的部分来了。这 19.2 亿缓存重读，占 token 总量的 98.4%（如果只算输入侧，是 98.6%——媒体引用的就是这个口径）。

但在钱上，它是多少？

这不是矛盾，这是同一个事实的两个面。而且两个面都很有用：

• 看 token 占比 → 你知道优化方向在哪（重读）
• 看成本占比 → 你知道优化空间有多大（45%）

  「占比」这件事，看 token 和看钱是两个答案。 如果你看到一篇文章说「缓存占 Agent 账单的 98.6%」，那不是算错了，就是混淆了口径——它说的是 token，不是钱。账单的两张脸：token 占比 98.4% 对成本占比 45.1%，以及四家的缓存读取价

本机推算的 $12.77，与第三方公布的 $12.78 吻合到分（口径一致），可作为交叉校验。

那「降 60%」到底值多少？

把同一份流量，分别按两代价格算（人民币，闲时，本机推算）：

对照一下：输出单价只降了 11.1%。

  只盯输出单价的人，会把这次降价低估近四倍。 因为在 Agent 场景里，输出本来就不是账单的主体——重读才是。

还有更极端的一组数：如果这 19.2 亿 token 全都按「未命中」计费（相当于根本没有缓存机制），账单是 $295.00，是现价的 23.1 倍。

这也解释了为什么这一节要花这么多篇幅：如果你想省钱，第一个该盯的数不是单价，是缓存命中率。

缓存命中率：最该盯的一个数

本机推算：每月 1 亿输入 + 2000 万输出，全部闲时运行（人民币）：

命中率从 0% 拉到 100%，月成本从 180 元降到 82 元。但注意：输出那块 80 元一动不动。

  **在 prompt 里抠字，省的是"未命中"那一块；把前缀稳住、让缓存能命中，省的是整块。前者是省钱，后者是改命。

那具体怎么做？核心只有一句话：把"会重复的部分"变成"稳定的前缀"。 几条能直接落地的：

这五条的共同点：都不需要改模型，只需要改你拼 prompt 的方式。 而它们对账单的影响，比换模型更大。**

4. 890 bytes/token：一条四代曲线

缓存为什么能便宜？因为 DeepSeek 花了四代时间，把模型"记事"的占用压了下去。

KV cache 是什么？一句话：模型每多读一个 token，就要在显存里多记一份"这个 token 是什么意思"的笔记。 上下文越长，笔记越厚。这是长上下文推理的第一大成本。

KV cache 四代曲线：890 字节/token，以及两个「降了多少」

注意这里有个口径坑，中文报道里非常普遍。

很多中文资讯写「V4.1-Flash 的 KV Cache 压缩至原来的 1/437」。这个数字是对的，但对照的是四代之前的 DeepSeek-V1——括号里那句"原来的"很容易让人以为说的是上一代。

实际情况是：

• 相对 V1：437 倍 ✅（真实数字）
• 相对 上一代 V4-Flash：只有 3.95 倍

顺带算个具体的：按 100 万 token 上下文估算全局缓存占用（本机推算）：

0.87 GB 是什么概念？ 一张 40GB 级别的卡，扣掉权重和激活之后，还装得下百万 token 的缓存——这在上一代是很难想象的。而这正是「890 bytes/token」这个数字的工程意义：它决定了长上下文能不能跑在便宜硬件上。

5. 架构一：CED 不对称——读用 8B，写用 16B

现在进入架构。第一个，也是最核心的一个。

V4.1-Flash 用的是 Causal Encoder-Decoder（CED，因果编码器-解码器）。40 层 Transformer 被切成两半：

• 20 层编码器（encoder）：负责"读"
• 20 层解码器（decoder）：负责"写"

关键在于两边激活的参数不一样：

那么，这件事省在哪里？

prompt 阶段的 token，根本不经过 decoder。 decoder 的全局 KV 不是一层层算出来的，而是从 encoder 的最终状态投影出来的（每层有自己的投影权重）。这带来两个直接结果：

效果：当上下文从 4K 涨到 1M，单 token 的 decode FLOPs 只增加约 1.25 倍（官方技术报告口径）。

  换成人话：从读一页纸到读一本书，每写一个字的代价只多 25%。 而上下文长度涨了 250 倍。

6. 架构二：CSA2 的三种注意力模式

第二个手段，解决的是"那 890 字节还能不能再压"。

先说背景：传统注意力里，每一层都自己算一份 KV cache。40 层就是 40 份，层与层之间明明在看同一段文本，却各记各的笔记。

CSA2（Compressed Sparse Attention 2，第二代压缩稀疏注意力） 干的事就是：让层之间可以抄笔记。

它给每一层静态指派三种身份之一：

读法：40 层里真正"从头算记忆"的只有少数几层，其余都靠复用。这就是 890 bytes/token 里"4 倍压缩"的来源——不是把笔记写得更短，是让更多层共用同一份笔记。

另外还有一个层级稀疏索引器：第一个 Full 层会建一个最多 16,384 个位置（2,048 块 × 8）的候选池，后续 Reindex 层在这个有界集合里打分，而不是在全部上下文里打分。

  这让"找相关片段"的代价不再随上下文长度增长。 读 1 万 token 和读 100 万 token，找索引的开销是一样的——这是它能扛住 1M 的另一个前提。

  用一个比喻收一下这两节： CED 解决的是"谁来读"，CSA2 解决的是"记多少"。前者让便宜的参数去干重读的活，后者让 40 层共享一份笔记而不是各记 40 份。

7. 架构三：FP4 量化与缓存的生命周期

第三个手段，是把每一份笔记本身写得更小，并且管好它的"保质期"。

① FP4 量化。 主 KV cache 用 E2M1 格式存储，每 16 个通道配一个 E4M3 缩放因子（即 NVFP4 方案去掉全局 scale 的做法）。这套量化是在后训练阶段通过量化感知训练引入的，相比 V4 的 FP8 大约再省一半空间。

② SWA Bounded Replay（滑动窗口注意力的有界重放）。 decoder 的滑动窗口状态不重跑全部层，只重放最后 128 个 prompt token 就能重建。

③ 缓存的生命周期管理。 这是最容易被忽略、但对生产部署最关键的一条：

想想这意味着什么：一个多租户的长上下文服务，能不能扛住，取决于你怎么设计 72 小时和分钟级这两档的淘汰策略——这更接近一个存储系统问题，不是模型问题。

  换个说法： 前两节在压缩"记忆的厚度"，这一节在管理"记忆的寿命"。记忆越便宜，就越有资格被留下来；能留下来，才谈得上复用。

8. 三个手段合起来省了多少

把三个架构手段和它们的效果摊在一张表上：

注意最后一行和第 4 节那条曲线的关系：

• 「1/4」是这一代架构的贡献（上面这五个手段）
• 「1/437」是四代累积的贡献（回看第 4 节的表）

  这两个数字不冲突，它们回答的是不同的问题。 前者回答"这次改了什么"，后者回答"这条路走了多远"。写文章时如果只引一个，读者就会得到一张失真的图。

而这一切的终点，就是你看到的那张价格表——缓存命中降到 0.003 美元。 架构上的 890，和账单上的 0.003，是同一件事的两端。

9. 能力账：它赢了哪里，又输在哪里

现在说能力。官方对比表（最大推理努力设置，即 reasoning_effort=100）的几个关键行：

赢的地方很集中：Agent 与工程类任务。 Terminal-Bench、DeepSWE、CyberGym、Automation-Bench、Codeforces——它基本都拿了这张表的第一。

但输的地方，官方一点没藏：

怎么理解？带工具的 HLE 是 63.9，不带工具只有 36.8。 同一个模型，同一个基准，差别只在于"能不能查资料"。

  它是一个非常会"用工具办事"的模型，不是一个新的"推理之王"。 如果你要拿它做闭卷知识推理、硬核理论推导，它的表现会低于你的预期——尤其在 Terminal-Bench 3.0 / 4.0 这两个更新、更难的版本上，和 Opus 5 的差距是 13 到 20 分，这不是小差距，是断层。

关于「赢 12/14 行」这个说法也要说清楚：两边都有分数的 14 行里它赢 12 行，不是"19 项测评里赢 14 项"。分母不同，结论就不同——这又是一次口径检查。

10. 口径警告：同一个模型，换个外壳差 8.7 分

这一节是本系列的老朋友，但在 V4.1-Flash 上又出现了一次，而且更明显。

官方公布了同一个模型在八种不同 Agent 外壳（scaffold）下的评分：

同一个模型、同一份权重、同一个基准，只因为外面套的壳不一样，分数差了 8.7 分——比它和 Opus 5 在 DeepSWE 上的差距（0.2 分）大 40 多倍。

而且要注意官方评测的默认设置：代码类 Agent 基准跑在 DeepSeek Harness 的 Minimal 模式 + 1M 上下文窗口下。**换掉这个前提，表里的数字就不成立。

所以看任何一篇 Agent 评测，先问三个问题：

三个里有一个没写清，这个分数就不能跨文章比较。**

11. reasoning effort：从 25 拉到 100，买到什么

V4.1-Flash 支持连续可控的推理努力：一个 1 到 100 的整数（官方给了 low / high / max 三档映射，对应 50 / 75 / 100）。这是这次发布里对成本影响最直接的一个旋钮。

官方给了一组很干净的对照：

代价是：输出 token 约 2.5 倍。（官方口径）

本机推算：按闲时输出价 4.0 元/百万 token，单位任务的输出成本从 4.0 元涨到 10.0 元。

  花 2.5 倍的钱，买 8.2 个点。

这个交换划不划算，取决于任务：

• 值得：错的代价高、需要多步推理、答案有明确对错（写代码、跑终端命令、做题）
• 不值得：任务本身很简单，只是量大（分类、抽取、格式化、简单问答）

  正确用法是"分档"，不是"全局拉满"。 把 effort 当成一个按任务分级的旋钮——简单任务用低档跑量，难任务才拉满。这一句话能省下的钱，通常比换模型更多。

12. 三条诚实边界

前面讲了它的好。这一节讲三个必须知道的坏。

边界一：开源 ≠ 能跑

V4.1-Flash 权重以 MIT 许可开源，Hugging Face 上有完整 MoE 权重和技术报告。但「开源」和「你能跑」是两件事。

社区在发布后 30 小时内在 Hugging Face 上出现了 44 个仓库，它们的模型卡写清了本地现实：

而且那个能塞进 256GB 机器的 2-bit 版本，作者自己写了警告：「重复、不连贯和任务失败仍可能出现。」 还有一个 4-bit 版本的模型卡直接说明：这个架构「在任何运行时里都不存在」——transformers、mlx-lm、mlx-vlm 都不支持，它自带了一份移植。

  没有任何公开构建能装进 128GB 或消费级 GPU。

所以关于"开源自部署"，务实的态度是：

• 想用它 → 走 API。 这是绝大多数人的正确答案。
• 想自部署 → 先算机器。 510 GB 级别是起点，不是终点。
• 看到"MIT 开源"就以为免费 → 会被硬件成本教育。

边界二：官方自己承认的退化风险

这一条很少被报道，但它写在官方材料里，值得单独拿出来。

DeepSeek 明确说明，新架构引入了尚未充分测试的鲁棒性边界：

• 稀疏选择误差：挑相关片段时可能挑错
• 近似状态重建：缓存复用是"抄笔记"，抄的过程有近似

这两件事在两个具体场景下可能导致能力退化：

官方表示计划做额外压力测试。

  这条要这么用： 如果你的场景正好卡在这两处——比如"百万 token 上下文里做精确检索"，或者"跨会话反复复用长缓存"——上线前必须自己压测，不能假设它和短上下文一样稳。 官方没测的地方，就是风险最集中的地方。

边界三：它的定位是"做事"，不是"想事"

第 9 节已经用数据说过了，这里只做个收口：

  选模型不是选"谁最强"，是选"谁最不浪费"。 一个开卷考试冠军去考闭卷，是资源错配；反过来也一样。

13. 六条使用规则

把前面所有内容压成六条能直接照着做的规则：

展开说：

① 先算缓存命中率，再谈单价。 命中率从 0% 到 100%，月账单能差 2.2 倍（第 3 节）。把 System Prompt、项目说明、工具定义、长期上下文固定成稳定前缀，是最高杠杆的动作。

② 能等就排到闲时。 闲时价是高峰的一半。一周只有 35 小时是高峰。离线批处理、日志分析、批量生成这类任务全部排到闲时，直接五折。

③ effort 按任务分档，不要全局拉满。 拉满 = 2.5 倍输出 token。简单任务用低档，难任务才拉满。

④ 长上下文要看清"记忆的寿命"。 全局 KV 保证 72 小时，SWA 只有分钟级。跨会话复用长缓存的设计必须考虑这个边界，否则会出现"上午很快、下午变慢"的诡异现象。

⑤ 看 Agent 基准分数，先问外壳。 同一个模型换外壳差 8.7 分（第 10 节）。只比自己用同一外壳跑出来的数，别跨文章比。

⑥ 别用「1/437」下判断，用「1/4」。 引数字先问分母（第 4 节）。这个习惯不只能用在缓存上。

14. 常见问题

Q1：它和 V4-Pro 到底什么关系？V4-Pro 还能用吗？

官方口径：自 2026 年 9 月 14 日 04:00 UTC 起，所有 deepseek-v4-pro 请求路由到 V4.1-Flash，并按 Flash 的价格计费，直到 V4.1-Pro 发布。所以如果你的代码里硬编码了 deepseek-v4-pro，它不会报错，但模型和行为都变了——这类"静默替换"是上线前最容易漏掉的风险。

建议：现在就用同一套流程分别跑 deepseek-flash 和 deepseek-v4-pro，固定上下文、工具、审批与成功标准，只换模型，然后对比完成率、重试率、命中率、输出 token 和墙上时间。

Q2：旧模型名还能用吗？

能。deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 仍然接受，但实际由 V4.1-Flash 服务，按 Flash 价计费。名字还在，模型不是那个了。

Q3：多模态要不要单独调用另一个模型？

不用。视觉理解已经做进模型内部，deepseek-v4-flash-vision-exp 已经退役。一个端点同时处理文本和图片。视觉基准（基础模型口径）：DocVQA 95.6、RefCOCO-avg 86.0。

Q4：输出长度上限是多少？

官方定价页写最大输出 384K，上下文 1M（精确值 1,048,576，可在模型 config.json 里核对）。但注意：第三方推理平台通常有更小的上限（例如 16,384），这是平台限制不是模型限制。要长输出，先确认你走的是哪条路。

Q5：并发够用吗？

官方并发上限 2,500（V4-Pro 是 500）。从 Pro 迁过来的人会拿到更高的限额。

Q6：现在入手合适吗，还是等 V4.1-Pro？

两个考虑：

• 价格：现在处于"Pro 路由到 Flash"的窗口期，用 Flash 的价拿 Flash 的能力。
• 变动：V4.1-Pro 发布后，Pro 的路由会变回去，届时价格体系可能再调。

务实做法：如果现在就有成本敏感的大批量任务，现在就可以上；但要把模型版本记进日志，并在 V4.1-Pro 发布后重跑一次回归。

15. 数据时效与参考资料

时效声明：本文写于 2026 年 9 月 30 日，距 V4.1-Flash 发布（9 月 10 日）20 天。以下内容变动风险较高，引用前请核对官方来源：

官方一手来源

• DeepSeek 官方新闻页：https://www.deepseek.com/en/news/deepseek-v4-1-flash（发布日 2026-09-10）
• DeepSeek 官方定价页：https://api-docs.deepseek.com/quick_start/pricing
• 模型权重与技术报告：Hugging Face deepseek-ai/DeepSeek-V4.1-Flash

三方口径来源（仅供参考，会变）

• 独立评测：Neowin 完整基准表、Artificial Analysis（190 tok/s、Index 40）
• 推理平台定价：DeepInfra（Standard $0.20 输入 / $0.60 输出 / $0.006 缓存读取，另有 Priority 1.5x 与 Flex 0.8x 两档）
• 真实 Agent 流量观测：第三方 30 天流量样本（26.7M 新输入 / 5.0M 输出 / 19.2 亿缓存重读）
• 竞品缓存读取价：GPT-5.6 Sol $0.40、Claude Opus 5 $0.50、Kimi K3 $0.30（各自公开定价）

口径对照速查

16. 附录：本机实验台

本文所有标注「本机推算」的数字，都由下面这个脚本产出。它只用 Python 标准库，不需要任何第三方包，把价格常量改掉就能复算你自己的场景：

本机实跑输出（完整）：

  最后说一句为什么要把脚本贴出来。 本文所有关键结论——「降 46% 不是 11%」「98.6% 是 token 不是钱」「缓存省下 23 倍」——都可以被上面这段代码推翻或证实。 价格表是公开的，算式是简单的，你不需要相信作者的判断，只需要把常量换成你的用量跑一遍。

一个模型值不值得用，最终不是看它的参数，是看它在你的账单结构里，落在哪一行。