免费试用

更智能、更高速，具备原生视觉理解能力的 DeepSeek-V4.1-Flash 现已上线 Bitdeer AI Model Studio

Evelyn Xiong

• 6 min read
banner

三年，KV 缓存的优化史

2023 年 11 月 DeepSeek 发布第一代模型时，它的 KV 缓存是每 token 389,120 字节。这在当时并不特别。但到 2025 年 12 月的 DeepSeek-V3.2，这个数字变成 48,068，缩小了八倍。实验版 V3.2-Exp 专门引入 DeepSeek Sparse Attention（DSA），就是为了让长上下文的训练与推理都更便宜。再到 V4 Preview，DeepSeek 给它起的标题很讲究：《进入低成本百万级上下文时代》。重点不在"百万级上下文" ，而是在"低成本"。2026 年 4 月的 V4-Flash，缓存降到 3,514 字节，而 DeepSeek V4.1 Flash 的 KV 缓存数据更是降低到了至 890。

来源：DeepSeek

三年过去，DeepSeek 提供了"倍数"级的改进。相比上一代，DeepSeek V4.1 Flash 只需要 1/4 的 HBM 和 1/8 的 SSD 存储。

DeepSeek V4.1 Flash 是什么

DeepSeek V4.1 Flash 是一个 5520 亿参数的 MoE 模型，为DeepSeek 全新架构家族中最小的成员，而这个家族基于 Causal Encoder–Decoder 设计，在激活参数上做了一件不太常见的事：把"读"和"写"当成两份不同的工作，给了不同的预算：输入侧 80 亿激活参数负责处理输入，输出侧 160 亿负责生成。

这个非对称拆分不是随手划分，它对应的是工作量的真实分布。一个 Agent 在解析 200 个文件的仓库、一段很长的工具调用日志，或者一叠截图时，读的量极大，写的量相对很小。如果按"更难的那一半"来给两边统一配置算力，那么上下文里的每一个 token 都在浪费；分开配置就不会。再叠加上每 token 890 字节的缓存，这个模型被优化的对象非常明确：是长时间运行的 Agent，而非简单的一轮对话。

DeepSeek 把能力提升归因于新的预训练方法，以及更大规模的强化学习后训练。另外值得单独点出来的是：它给了这个模型原生视觉理解能力，不是在文本模型上外挂一个视觉适配器，而是把多模态输入做成架构属性。

Property

Details

Model

DeepSeek-V4.1-Flash

Architecture

Mixture-of-Experts (MoE), novel Causal Encoder–Decoder design

Total Parameters

552B

Activated Parameters

Input: 8B · Output: 16B

Modality

Native Multimodal (with Native Visual Understanding)

Training

Novel pre-training methodology + large-scale RL post-training

Global KV Cache

890 bytes/token (Requires 1/4 HBM and 1/8 SSD vs. previous generation)

以上数据均参考 DeepSeek 2026 年 9 月 10 日官方公布数据。

基准测评成绩 

DeepSeek 公布的对比对象包括自家 V4-Pro（0813）与 V4-Flash（0731），以及 GLM-5.3、Kimi K3、GPT-5.6-Sol、Claude Opus 5。

来源：DeepSeek

对运行 Agent 的团队意味着什么

一个 Agent 做重构，可能会调用六十次工具。每一次都会往它必须继续背着的历史里再追加一段。每一步的输出是几百个 token；上下文是几万个，而且还在长。把上下文里每一个 token 的缓存开销乘进去，就能看出钱花在哪了。也就能看出，把 HBM 减少到 1/4、SSD 减少到 1/8，和把输出价格削减一点，是两类完全不同的改进。前者与其说是让每一步更便宜，不如说是让"更多步"成为可能。而对一个只有跑完才算创造价值的 Agent 来说，这才是真正卡住它的约束。

适用场景

最清晰的落点是长周期的工程工作：仓库级重构、CI 失败定位、需要 Agent 在很长的工具调用历史里保持连贯的多步后端任务。这正是 Terminal-Bench 3.0 与 4.0 相比 V4-Pro 翻倍以上所反映的能力，也是"HBM 占用小四倍"能在一次运行的每一步上不断累积收益的地方。

其次是高并发 Agent 流水线：单步成本决定你能负担多少步的那类工作流。在这里，"以输入 8B、输出 16B 的激活参数拿下 DeepSeek 全表 Automation-Bench 与 Agents' Last Exam 最高分"是真正相关的事实。

安全团队有一个更窄但十分真实的切入口。CyberGym 的 88.1 是 DeepSeek 公布数据中的最高分，高于此前的 83.3，SEC-Bench Pro 与 ExploitGym 相比 V4-Pro 也都有明显提升。但两项都仍落后于 GPT-5.6-Sol，所以诚实的定位是漏洞初筛、安全代码审查与崩溃分析，而不是端到端的漏洞利用推理。

除此之外还有两类：可以省掉抽取环节的文档与视觉理解流水线。

通过 API 在 Bitdeer AI Model Studio 运行 DeepSeek V4.1 Flash

您可以在 Bitdeer AI Model Studio 上运行  DeepSeek V4.1 Flash，而无需管理底层基础设施，从而降低了部署复杂性和实现价值的时间。作为 NVIDIA 优选云服务合作伙伴（Preferred NVIDIA Cloud Partner），并通过 ISO/IEC 27001:2022 与 SOC 2 Type I & Type II 认证，我们为生产级 Agentic 部署提供所需的安全、合规与高性能底座。

如何开始

  1. 登录 Bitdeer AI Model Studio。
  2. 在模型列表中找到 DeepSeek V4.1 Flash。
  3. 生成 API 密钥并开始进行 API 调用。
curl -v --location 'https://api-inference.bitdeer.ai/v1/chat/completions' --data '{"model":"deepseek-ai/DeepSeek-V4.1-Flash","messages":[{"role":"system","content":"You are a knowledgeable assistant. Provide concise and clear explanations to scientific questions."},{"role":"user","content":"Can you explain the theory of evolution in simple terms?"}],"max_tokens":200,"top_p":1.0,"temperature":1.0,"frequency_penalty":0.0,"presence_penalty":0.0,"seed":0,"stream":false}' --header 'Authorization: Bearer <API_KEY>'