DeepSeek-V4.1-Flash 是什么：CED 架构、厂商基准测试与 V4-Pro 改路由定价

DeepSeek 用自家最小的模型下线了旗舰型号。2026 年 9 月 10 日，DeepSeek-V4.1-Flash 在 API 上正式 GA，而发布说明里有一句多数厂商会悄悄埋掉的话：从 9 月 14 日起，所有发往 deepseek-v4-pro 的请求都会被路由到 V4.1-Flash，并按 Flash 的价格计费。这个 552B 参数的 Flash 模型，输入时只激活 8B 参数，如今代表整个 V4 系列作答。

这就是本周“deepseek v4.1 flash”搜索量背后的故事，它之所以重要有两个原因。第一，架构是全新的。Causal Encoder-Decoder 拆分、每 token 890 字节的 FP4 KV cache、以及从第一步预训练就具备的原生视觉能力，都不是对 DeepSeek V4 的增量改动。第二，价目表也跟着变了。如果你原本按 V4-Pro 的价格付费，那么到 14 号，无论你是否改动任何东西，账单都会下降 70% 甚至更多。

本指南覆盖已发布的内容、架构在开发者视角下如何运作、厂商基准测试给出了什么数字，以及定价算术。最后给出一个在 Apifox 中用你自己的 prompt 测试该模型的工作流，因为一张基准测试表只是起点，不是结论。

AI Coding 交流群

如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。

TL;DR

DeepSeek-V4.1-Flash 已于 2026 年 9 月 10 日 GA。模型 id：deepseek-flash。Base URL 不变，仍为 https://api.deepseek.com。
552B MoE（加上视觉编码器为 763B），prefill 激活 8B，decode 激活 16B。1M 上下文窗口，最大输出 384K。
按 DeepSeek 自己给出的数字，它在 HumanEval、GSM8K、DeepSWE 和 Terminal-Bench 上超过 V4-Pro。
高峰定价：每 1M cache-miss 输入 $0.30，每 1M 输出 $1.20。非高峰为半价。
V4-Pro 请求将于 9 月 14 日 04:00 UTC 改路由到 V4.1-Flash。

9 月 10 日发布了什么

DeepSeek 从 9 月 8 日起进行了为期两天的内测，模型名为 deepseek-v4.1-flash-expires-on-0910，每个账号并发请求上限为 20，定价与 deepseek-v4-flash 相同。TechNode 报道了这次内测。两天后该模型正式 GA，changelog 中有一条日期为 2026-09-10 的记录，并在 X 上发布了公告。

有三处命名变化会影响你的代码：

新的模型 id 是 deepseek-flash。新集成请使用它。
旧名称 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 仍然可以解析，但由 V4.1-Flash 提供服务。V4-Flash 和 V4-Flash-Vision-Exp 作为独立模型已下线。
deepseek-v4-pro 会一直可用到 9 月 14 日，之后路由到 V4.1-Flash。

Base URL 没有变化：OpenAI 格式使用 https://api.deepseek.com，Anthropic 格式使用 https://api.deepseek.com/anthropic。Flash 系列此前已支持 Responses API，因此 Codex 风格的集成可以直接沿用。参数细节（包括图片输入和 reasoning effort）请参阅如何使用 DeepSeek-V4.1-Flash API。

开发者视角下的 Causal Encoder-Decoder 架构

模型卡描述了一种 DeepSeek 称为 Causal Encoder-Decoder（简称 CED）的设计。当你自己是那个为 token 付费的人时，下面每个数字意味着什么，值得逐个说清。

552B 参数，带视觉为 763B。语言主干是一个 552B 参数的 mixture-of-experts 模型。加上为本次发布从零训练的 DeepSeek-ViT 编码器，完整模型达到 763B。这些是存储参数量，不是一次请求的成本。

prefill 激活 8B，decode 激活 16B。这是最核心的变化。40 层被拆分为 20 层编码器和 20 层解码器。读取你的 prompt（prefill）时，每个 token 激活约 8B 参数；写出答案（decode）时激活约 16B。早期的 DeepSeek MoE 模型对两个阶段使用同一份激活参数预算。

为什么这个拆分重要？prefill 受算力限制：你要一次性把一份 200K token 的文档推过模型。decode 受内存带宽限制：你一次生成一个 token，成本来自从 HBM 读取权重和 KV cache。prefill 用更少参数可以缩短长输入的首 token 延迟（time-to-first-token）；decode 用更多参数，则是在额外算力相对内存流量更便宜的环节换取回答质量。一段 1M 上下文的 agent 轨迹如果只产出 2K token 的回复，其中 99.8% 的 token 都走的是便宜的那条路径。

每层 384 个 routed experts 加 1 个 shared expert。router 为每个 token 从 384 个 expert 中挑选少数几个，shared expert 则每次都参与计算。552B 的存储参数就是这样变成 8B 或 16B 的激活量。

CSA2 与 FP4 KV cache。Compressed Sparse Attention 2 提供三种静态 attention 模式。配合主 KV cache 的 FP4 存储，全局 cache 占用为每 token 890 字节，约为 DeepSeek-V4-Flash 的四分之一。发布说明中的说法是 HBM 占用为上一代的 1/4，SSD 存储为 1/8。按每 token 890 字节计算，完整的 1M token 上下文约需 0.9 GB KV cache。这也是 Flash 的并发上限为 2,500、而 Pro 为 500 的部分原因。

1M 上下文窗口，384K 输出。稀疏 attention 在 64K 长度上训练，并在 45T token 多模态语料推进到 34T token 时扩展到 1M。reasoning effort 被描述为可在 1 到 100 的刻度上连续调节；该刻度对应的具体 API 参数形态需对照文档 [VERIFY]。

基准测试：DeepSeek 公布了什么数字

本节所有数字都来自 DeepSeek 模型卡的自我报告。截至 9 月 10 日，尚无独立评测发布。请把它们当作厂商的主张来读，然后自己跑一遍。

规律很一致：V4.1-Flash 在每一行上都高于 V4-Pro，差距最大的是 agentic coding。DeepSWE 比 Pro 高出 11.5 分，比旧版 Flash 高出近 20 分。GSM8K 已经饱和，所以 0.4 分的优势说明不了什么。

视觉分数同样是厂商自报：MMMU-Pro 56.5，CVBench 77.9，DocVQA 95.6，RefCOCO 86.0。DocVQA 是值得盯住的那个数字，因为文档解析是生产环境视觉流量最主要的去向。

DeepSeek 对 V4-Pro 改路由的说法是，V4.1-Flash“在性能、成本、速度和总耗时上已全面超越 V4 Pro”，并引用多方测试作为依据。这些“多方”并未具名。请把这句话当成一个你可以自行验证的主张。

定价与 V4-Pro 改路由

下表费率来自定价页面，自 9 月 10 日 04:00 UTC 起生效，单位为美元/1M token。

	deepseek-flash 非高峰	deepseek-flash 高峰	deepseek-v4-pro 非高峰	deepseek-v4-pro 高峰
输入，缓存命中	$0.003	$0.006	$0.022	$0.044
输入，缓存未命中	$0.15	$0.30	$0.66	$1.32
输出	$0.60	$1.20	$1.98	$3.96

高峰时段为工作日的 01:00 至 04:00 和 06:00 至 10:00 UTC；非高峰为高峰的 50%。上下文缓存是自动的，在任一档位上，缓存命中的成本都比未命中低 50 倍。

相比 V4-Flash 8 月的费率，V4.1-Flash 把缓存命中输入降低约 57%，缓存未命中输入降低约 32%，输出降低约 9%。

V4-Pro 那一列值得盯住。9 月 14 日之后，发往 deepseek-v4-pro 的请求按 Flash 列计费。高峰时段下，每 1M cache-miss 输入为 $0.30 而非 $1.32（便宜 77%），每 1M 输出为 $1.20 而非 $3.96（便宜 70%）。你不动代码就能拿到这个降价，不过还是应该更新模型 id，而不是依赖一个已下线的别名。迁移指南给出了完整的检查清单，定价深潜则讲清了长 agent 会话下的缓存命中算术。

在 Apifox 中用你自己的 prompt 评测 V4.1-Flash

厂商的表格说这个模型擅长 DeepSWE，但它没说它能否处理你的抽取数据模型、你的 tool-call 格式，或者你那 30 万 token 的客服对话记录。下面是一套 Apifox 工作流，一个下午就能回答这些问题，并且能在每次模型悄悄更新之后继续给出答案。

把密钥存为环境变量。创建一个 Apifox 环境，并添加来自 DeepSeek 平台的 DEEPSEEK_API_KEY。在 Authorization header 中以 Bearer {{DEEPSEEK_API_KEY}} 引用它。
添加接口。创建 POST https://api.deepseek.com/chat/completions，或导入一份 OpenAPI 规范。
为每个真实 prompt 保存一个请求。从生产日志里取五到十个 prompt，每个都保存为独立请求，并使用 "model": "deepseek-flash"。在 14 号之前保留一份指向 deepseek-v4-pro 的副本，这样就能并排 diff 输出。
开启流式并观察事件。设置 "stream": true。Apifox 会逐事件渲染 SSE 响应，因此 reasoning delta 和答案 delta 会分别显示，而不是一大片 data: 行。这是观察长 prefill 下首 token 延迟最快的方式。
添加断言并构建测试场景。对状态码、预期出现 tool_calls 字段的位置，以及输出的 JSON 合法性做断言。把保存的请求串联成一个测试场景。
每次模型更新后重跑。当 DeepSeek 在 deepseek-flash 背后推送下一次变更时，运行这个场景。用 apidog-cli 把它接入 CI，让它在每次部署时运行。

下面是其中一个保存的 prompt 的 body，使用 OpenAI SDK：

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {"role": "system", "content": "Extract the order ID, SKU list, and refund amount as JSON."},
        {"role": "user", "content": "Ticket #48213: customer wants a refund of $42.90 for SKUs KB-220 and MS-114 from order ORD-99117."},
    ],
    stream=True,
)

for chunk in response:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

FAQ

DeepSeek-V4.1-Flash 是 V4-Pro 的替代品吗？是的，这是 DeepSeek 的决定。从 9 月 14 日 04:00 UTC 起，deepseek-v4-pro 的请求由 V4.1-Flash 按 Flash 价格提供服务。V4 API 阵容中已经没有更大的模型了。

我需要改 model id 吗？不必马上改。deepseek-v4-flash、deepseek-v4-flash-vision-exp，以及（14 号之后的）deepseek-v4-pro，都会解析到 V4.1-Flash。下次改这份集成时再切到 deepseek-flash 即可。API 指南里有完整的参数参考。

8B prefill / 16B decode 对延迟意味着什么？输入侧更少的激活参数意味着长 prompt 下更快的首 token 延迟。输出侧更多的参数意味着算力被用在决定生成质量的地方。每 token 890 字节的 KV cache 让长会话在内存中的持有成本更低。

我能在本地跑它吗？权重在 Hugging Face 上以 MIT 许可发布。仅主干在 8-bit 下就约 552 GB、4-bit 下约 280 GB，所以这是一个多 GPU 或 SSD 流式加载的项目，不是笔记本能干的活。首发当天的推理引擎支持情况 [VERIFY]。

这些基准测试是独立的吗？不是。上面每一个分数都来自 DeepSeek 的模型卡。技术报告里有方法论说明。

V4 系列由此走向何处

DeepSeek 把双模型 API 收拢成了一个。它押的是：一个 552B 模型，配上 16B 的 decode 预算、四分之一大小的 KV cache、以及每账号 2,500 个并发会话，在服务 agent 类负载上，比一个价格高三到四倍的更大模型更划算。厂商的数字支持这个赌注；而它是否成立，由你的负载决定。

把你的 SDK 指向 deepseek-flash，在 14 号之前用你自己的 prompt 跑一遍，并保留那套测试场景。如果你原本就是基于 V4-Flash API 构建的，你的集成现在已经可用。变的是它背后的模型，而这正是值得测量的部分。