DeepSeek V4.1 Flash评测超Pro，官方却两次改口不下线

DeepSeek V4.1 Flash 正式上线后引发广泛关注。Artificial Analysis 测试给出 40 分指数评分，超过参数量更大的 DeepSeek V4 Pro。DeepSeek 曾两次调整决定，先延迟下线 V4 Pro，随后放弃下线并继续提供 API 服务。

评测显示，V4.1 Flash 在智能体能力和长上下文推理方面进步明显，以 69% 在 AutomationBench-AA 上排名第一，与 GPT-6 Astra 持平，略高于 Grok 4.6 的 67%。它也是测得冗长度最高的模型之一，每个 Intelligence Index 任务消耗 89k Tokens，但成本仅 0.27 美元，主要得益于低定价。Sebastian Raschka 认为其创新之大，应称为 DeepSeek V5。

技术报告标题为《DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression》，核心目标是压缩 KV 缓存。V4.1-Flash 全局 KV 缓存压至每 token 890 字节，约为 V4-Flash 的 1/4，相比 DeepSeek-V1 的 389,120 字节差距达 437 倍；持久化 KV 缓存压至 V4-Flash 的约 1/8。模型为 552B 主干参数加 196B Engram 参数的多模态 MoE，原生支持 100 万 token 上下文，在 45T token 多模态语料上预训练，prefill 阶段每 token 激活 8B 参数，decode 阶段激活 16B。

报告指出，稀疏注意力已降低长序列计算成本，但长程 agent 负载输入重，瓶颈转向存储与搬运：HBM 容量限制并发请求的全局 KV，SSD 和主机内存限制前缀缓存命中率，IO 与互联带宽限制缓存迁移加载速度。V4.1-Flash 从架构、精度、部署三层次同时下手。

架构上，语言主干 40 层分为前 20 层因果编码器和后 20 层解码器，即 CED 结构。解码器各层 KV 由第 20 层隐藏状态经各自投影矩阵映射得到，prefill 只需跑前 20 层，复杂度从 O(NL) 降至约 O(NL/2)。该思路继承自微软 YoCo，但 CED 为每层配置独立投影权重，扩大 KV 有效容量和生成深度。代价是 SWA 仍需逐层计算，DeepSeek 采用近似处理，只回放提示词最后 n_win 个 token，即 Decoder SWA Bounded Replay。

CSA2 负责存储压缩，将压缩空间归纳为条目大小、序列维度、层维度三个相乘维度。此前 IndexCache、YOIO、HySparse 均未覆盖全部三维，CSA2 为每个 CSA2 层静态分配 Full、Reindex、Reuse 三种模式之一，共同点是每层保留自己的全局 Q 和 SWA KV，避免层间表达能力被抹平。

精度上，V4 已对索引器 Q、K 做 FP4 量化感知训练，V4.1-Flash 将 FP4 推进到 main KV 缓存，采用 E2M1 配每 16 通道一个 E4M3 缩放因子，接近 NVFP4 但省去二级全局缩放。部署上则采用 SWA Bounded Replay，接受近似重建以降低生产部署代价。