9 月 10 日，DeepSeek 正式发布 V4.1 Flash。如果说过去一年国产开源模型的主旋律是"追平闭源"，这一次的叙事则变成了"用成本把高端 AI 的门槛砸穿"。

一份"反常"的架构

V4.1 Flash 不是简单的参数堆量。它采用了一套被称为 CED（Causal Encoder-Decoder，因果编解码） 的非对称结构：一个 20 层的因果编码器喂给一个 20 层的解码器。模型整体挂着一个 5520 亿（552B）参数的主干，但巧妙之处在于——预填充（prefill）阶段每 token 只激活约 80 亿（8B），解码（decode）阶段激活约 160 亿（16B）。

换句话说，它用"大底座 + 小激活"的思路，把推理时的实际算力开销压得很低。配合全新的 CSA2（Compressed Sparse Attention 2，压缩稀疏注意力） 与 FP4 KV 缓存，全局 KV 缓存被压缩到约 每 token 890 字节，大约是上一版 V4-Flash 的四分之一，命中价最低可到 每百万 token 0.003 美元。

几组硬指标

  • 训练规模：从零训练于 45T tokens；
  • 推理力度：可在 1–100 之间连续可控，按需调节"想得多深"；
  • 许可：MIT 协议开源，这意味着商业友好；
  • 基准（第三方口径）：Codeforces 评分约 3471、DeepSWE v1.1 约 74.2%、Terminal-Bench 2.1 约 90.6%。

对普通用户最直观的感受是"生成更快了"，对开发者则是"调用更便宜了"。在高端模型动辄按百万 token 计价、闭源厂商忙着筑定价护城河的背景下，DeepSeek 再次把性价比拉满。

硬币的另一面

参数从 284B 跳到 552B，本地推理社区的反应并不全是欢呼。更大的模型意味着消费级硬件更难跑起来——一颗此前还能勉强在高端显卡上运行的模型，体积翻倍后直接把不少人挡在了"本地部署"的门外。

这也是开源与易用之间长期存在的张力：模型越强，对硬件的要求越高。DeepSeek 显然把重心放在了"服务端低成本"，而把本地运行的包袱留给了社区和量化方案。

意味着什么

多家媒体在评述中都提到同一个判断：国产开源模型正把高端 AI 的准入门槛拉到尘埃里。当模型层、生态层、资本层同时向中国厂商集中，硅谷闭源巨头赖以生存的"定价护城河"会被快速侵蚀。

对开发者而言，这未必是"谁取代谁"的故事，而更像一个信号：在性能差距逐步收窄的今天，成本与可用性正在成为大模型竞争的新主战场。V4.1 Flash 的价值，不在于它比谁多考了几分，而在于它让"用得起"的边界又往外推了一大步。