DeepSeek V4.1-Flash 把百万字长任务 API 账单压到约十分之一

9 月 10 日，中国大模型实验室 DeepSeek 上线了 V4.1-Flash。这款面向百万字长上下文 Agent 场景的模型把运行时显存降到上一代 V4-Flash 的约 1/4，把存放在服务器硬盘上的持久化 KV 缓存（Key-Value 缓存，可理解为模型阅读长文时临时存下的"记忆笔记"）压到 1/8。雷锋网把这次压缩概括为"KV 缓存暴降 437 倍"，这是一个把运行时显存、持久缓存和 FP4 量化叠加后的复合口径，单看其中任何一项都远不到这个数字，但叠加之后确实接近一个数量级。

长上下文 AI 的成本曲线，过去一直被 KV 缓存和注意力计算共同抬高。要让百万字 Agent 任务跑得便宜，必须在两件事上同时动手：把"记忆笔记"压得更小、把"回头扫描"做得更省。

V4.1-Flash 放弃了 V4-Flash 把 40 层 Transformer 当成"一锅端"的思路，改用一种叫做"因果编码器-解码器"（CED）的结构：前 20 层当"快速阅读员"，把整段上下文压缩成高度浓缩的隐状态摘要；后 20 层当"答题员"，用一份投影矩阵从摘要里直接生成全局 KV，跳过对全段上下文的二次读取。模型再叠加滑动窗口注意力（SWA）处理就近的局部细节，并配一个"有限回放"机制以极低算力近似还原短期记忆。(雷锋网技术解读, 官方技术报告)

V4.1-Flash 的注意力机制也升级到了第二代压缩稀疏注意力（CSA2）：把 40 层共用的 KV 副本压缩到只存一份，并允许各层复用同一份缓存加上各自的 Top-K 索引（只挑最相关的若干条记忆来查）。CSA2 还为每层静态分配 Full、Reindex、Reuse 三种模式：只有极少数层做完整扫描，其余层要么跳过复杂索引计算，要么直接复用上一层的成果。超长上下文场景里，模型还会再叠一层分层稀疏索引器做二次检索打分。(官方技术报告, MarkTechPost 同日报道)

在精度上，V4.1-Flash 把长期核心记忆（主 KV 缓存）压到 FP4（4 位浮点，即每个数字只用 4 个比特表示，比常见的 16 位精度小 4 倍），短期 SWA-KV 保留 FP8（8 位浮点）；训练阶段引入量化感知训练（QAT），让模型先在低位精度下学会稳定答题，再把低位精度推到线上，运行时由芯片做还原计算。(官方技术报告, Hugging Face 模型卡)

雷锋网援引的官方数据是，V4.1-Flash 的主参数为 552B，外挂一个 196B 的 Engram 记忆模块；推理时 prefill（一次性读完所有上下文）阶段仅激活 8B 参数，decode（逐字生成回答）阶段激活 16B，对外提供 low / high / max 三档可调力度。在部分内部评测中，V4.1-Flash 用 8B 激活参数反超了 DeepSeek 自家 1.6T 参数的旗舰 V4-Pro。这个成绩目前只来自厂方内部的横评，没有进入 SWE-bench、LongBench 或公开 Agent 榜单的同口径对比，公开基准的复测单还没交齐。(雷锋网技术解读, Hugging Face 模型卡)

雷锋网援引的厂方测算显示，跑一次百万 Token 深度的 Agent 任务，API 示例账单从约 10 元压到 1–2 元级别。按 2026 年 9 月 1 美元约合 7 元人民币的中间价换算，相当于从约 1.4 美元降到约 0.14–0.28 美元。但这是厂方话术下的示例账单，不是真实客户在生产环境里能复现的价格；API 标价不等于终端产品降价，百万字级 Agent 任务能不能真的在中小团队预算内跑起来，还要看一两个独立第三方在长任务上的复测。

DeepSeek 把这次发布和 Hugging Face 模型卡、技术报告 PDF 一起放出来，并采用 MIT 许可（允许免费使用、商用和修改）。英文学界媒体 MarkTechPost、TechTimes、The Neuron 当日做了同口径转写，但都还没有独立的复测或部署反馈。要判断"437 倍"和"反超 1.6T 旗舰"是否经得起生产侧检验，下一步要看的是：公开榜单的同口径成绩单、第一波独立团队在百万字 Agent 任务上的成本实测，以及 OpenRouter、HF Inference 这类公共推理入口的实际报价。