DeepSeek V4.1 Flash：长任务先从缓存省起
DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression
输入与输出采用不同激活规模，通过跨层复用和局部重放压缩两类缓存；权重已公开，节省比例不等于整机成本降幅。
相关期次：2026-09-11 精选
阅读笔记
DeepSeek 于 9 月 10 日正式发布 V4.1 Flash，支持原生图像理解和百万 token 上下文。它采用输入、输出不对称的因果编码器—解码器结构：读入内容时每个 token 激活约 8B 参数，生成内容时激活约 16B。Agent 经常一次读入很多工具结果、只输出一小段操作，这种设计针对的正是输入远多于输出的工作负载。
更值得细读的是 KV Cache，也就是模型为了复用前文计算而保存的缓存。新模型让不同层复用缓存，并采用 FP4 精度存储；在相同序列长度下，全局 KV 缓存降到每 token 890 字节，约为 V4 Flash 的四分之一。另一项部署优化只重放最近一段内容来恢复局部状态，使需要持久保存到 SSD 或主机内存的 KV 缓存约降到八分之一。这两个比例对应不同缓存，不能理解成整套服务显存和费用都按同样比例下降。
权重、推理文件和技术报告已公开，API 也已切换。部署时要留意：552B 是主干参数，另外还有 196B 的 Engram 条件记忆等组件；8B/16B 是每个 token 的激活量，并不意味着普通显卡就能装下模型。官方列出的代码任务成绩有明显进步，但框架、推理预算和测试集版本会影响结果。技术报告也承认，最难的推理任务仍与领先闭源模型有差距，缓存近似恢复的极端情况还需继续检查。
对现有 API 用户还有一件实际的事：官方计划在北京时间 9 月 14 日 12:00 后，将 V4 Pro 请求路由到 V4.1 Flash，直至后续 Pro 上线。依赖旧模型行为的应用，应先做自己的任务回归测试，而不只比较排行榜。
重要度9.5/10。非对称计算与两类缓存压缩直接影响长任务成本，正式权重和报告公开，非此前测试接口重复报道。
原始报告：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf
本期资料：https://www.asteronline.cn/juju-radar/2026-09-11/
AI辅助整理。
笔记记录收录当期的判断。阅读一手材料不等于独立复现；后续进展请以原始来源为准。