把自家 Pro 送走的 Flash:一次"以下犯上"的产品决策

原创2026-10-18 21:06:531,938 阅读
文章标签:人工智能大模型基础模型多模态DeepSeek模型量化

把自家 Pro 送走的 Flash:一次"以下犯上"的产品决策

2026 年 9 月 10 日中午,DeepSeek 用一篇标题朴素得像周报的公众号文章——《更强、更快、更普惠》,宣布了一件在模型行业里堪称"犯上"的事:新发布的 DeepSeek V4.1 Flash 在性能、费用、速度、总用时等各项指标上已全面超越自家旗舰 V4 Pro,因此计划有序下线 V4 Pro。四天后,所有打给 deepseek-v4-pro 的请求被静默路由到 V4.1 Flash,并按 Flash 的单价计费。一个月前还在为 V4 Pro 上调过价格,一个月后旗舰就被自己的"轻量款"送走——这个行业对一个旗舰模型的耐心,正在被压缩到以周为单位。

这篇文章将从产品决策、架构证据与行业影响三个层面,拆解这次"以下犯上"为什么成立,以及它意味着什么。

从"补位"到"取代":Flash 的自我进化

先还原一下 Flash 的演进时间线:

  • 2026 年 4 月 24 日:DeepSeek 发布 V4 系列,其中 DeepSeek-V4-Flash 定位是"快捷和经济",为旗舰补位;
  • 7 月 31 日:V4 Flash 更新,官方原话是"keeps the same model architecture and size as DeepSeek-V4-Flash-Preview",同一个骨架重新后训练;
  • 8 月 26 日:阿里 Qwen3.8-Flash 与智谱 GLM-5.3-Flash 同一天登场,Flash 档位的竞争开始白热化;
  • 9 月 8 日:DeepSeek 在官方用户群里丢出一条不到 100 字的通知,模型名 deepseek-v4.1-flash-expires-on-0910,末尾的 0910 是它的保质期;
  • 9 月 10 日:V4.1 Flash 正式发布,同日官宣 V4 Pro 将有序下线;
  • 9 月 14 日 12:00:deepseek-v4-pro 静默路由至 V4.1 Flash,按 Flash 计费;
  • 10 月 17 日:更新至 V4.1-Flash-1017,网页端、APP 与 API 同步切换,权重同步开源。

关键点在于:V4.1 Flash 不是 V4 Flash 的后训练版本,而是一次架构级重做。 它采用全新的 Causal-Encoder-Decoder(因果编码器—解码器)结构,核心特征是输入输出非对称——处理输入(prefill)只激活约 8B 参数,而生成输出(decode)激活 16B。一个 552B 总参数(MoE)的模型,输入侧每 token 只点亮约 1.45% 的专家。

这个设计的直觉很直接:Agent 负载的 token 结构极度倾斜——几万 token 的上下文、工具返回、代码仓库前缀,只换来几十到几百 token 的判断和指令。把算力押在输出侧,打击面正好落在最贵的地方。

仓库里的 config.json 印证了这套设计。文本侧是 40 层、n_routed_experts 384、num_experts_per_tok 6 的 MoE 配置,权重以 fp8 存储(dtype: "fp8"),专家权重进一步压到 fp4(expert_dtype: "fp4");视觉侧独立配置了一个 32 层的 vision encoder。用 fp4 存专家权重、用 32×32 块级 fp8 量化激活,这些在 inference/kernel.py 的 tilelang 内核(fp8_gemm_kernel、fp4_gemm_kernel)里都有对应实现——这是"结构性成本重排"而非"调参调出来的性价比"。

KV Cache:从 437 倍压缩到"账单大头消失"

比非对称激活更狠的是 KV Cache 压缩。官方给了一组跨近三年的数据:每 token 全局 KV Cache 从 V1 的 389,120 字节,压到 V3.2 的 48,068 字节(8.1×),再到 V4-Flash 的 3,514 字节(13.7×),而 V4.1 Flash 只有 890 字节——累计压缩 437×,HBM 需求降至上一代 1/4,SSD 需求降至 1/8。

仓库的 config.json 给出了具体的实现手段:

  • sliding_window: 128:每层在 128 token 的滑动窗口内做局部注意力;
  • compress_ratios:40 层中的中间 38 层按 2:1 或 1:1 压缩 KV,首尾几层不压缩;
  • kv_source_layer_ids: [2, 8, 14, 20]:跨层复用压缩 KV,多层共享一份缓存;
  • index_source_layer_ids 与 index_topk: 512:两层索引器,为每个 query 只保留 top-k 个压缩位置;
  • engram_* 参数:在 inference/model.py 的 Engram 类里实现 n-gram 哈希查表,直接把历史模式写回残差流,绕开注意力。

对应的实现逻辑在 inference/model.py 里可读性极好:Compressor 类把 compress_ratio 个连续 token 池化成一个 KV latent("Pooling compress_ratio consecutive tokens into one KV latent with a learned softmax gate");sparse_attn 内核走 FlashAttention 风格的 index gather + online softmax;DSparkAttention 则是生成阶段的推测解码路径。有意思的是 inference/README.md 明说这份代码是"readable reference implementation rather than a production serving engine",但把 vision encoder、稀疏注意力、engram、MoE、Hyper-Connections、DSpark 全部覆盖了。

这笔账对 Agent 开发者最有感:Agent 任务的典型形态是长上下文 + 高频调用,缓存命中率经常到 99%+,账单大头其实是缓存命中的输入费。所以这次降价的结构非常说明问题——降幅最大的那一项,恰好是 KV Cache 压出来的那一块:

计费项(闲时,¥/百万 tokens) V4 Flash(旧) V4.1 Flash 降幅
输入·缓存命中 0.05 0.02 -60%
输入·未命中 1.5 1.0 -33%
输出 4.5 4.0 -11%

闲时/高峰分时计价(高峰为工作日 9:00–12:00、14:00–18:00,其余含周末为闲时),闲时输出价 4.0 元,对比 V4 Pro 闲时输出 13.5 元、高峰输出 27 元——输出高峰价被砍到不到原来的三分之一,还是在跑分整体更高的前提下。

1017:帕累托改进还在继续

10 月 17 日更新的 V4.1-Flash-1017(即本仓库 README.md 对应版本)进一步拉大了与初版的差距。README 的基准表显示:HLE (w/o tools) 从 36.8 涨到 42.6,Terminal-Bench 4.0 从 31.2 涨到 42.3,DeepSWE v1.1 从 74.2 涨到 77.0,NL2Repo-Bench 从 65.4 涨到 68.2,Apex Bench v1.1 从 64.6 涨到 72.1——同时官方称任务运行时间与输出长度均有缩短,即"性能提升 + 单次成本下降"的帕累托改进。

此次更新还引入了"许愿式编程"能力:通过基于自反馈的强化学习训练,模型在提示词与素材参考极为有限的条件下,可以从零直接生成可运行的游戏、3D 建模等项目。官方演示里,新版本在 DeepSeek Harness 中以极短的交互轮次完成完整项目搭建——这个"少说话、多干活"的方向,与 V4.1 Flash 非对称激活的架构哲学一脉相承。

砍掉 Pro 的产品哲学:聚焦还是激进

官方公告的原话是:

经多方测试,V4.1 Flash 在性能、费用、速度、总用时等各项指标上已全面超越 V4 Pro,因此我们计划有序下线 V4 Pro 模型。

注意措辞:"全面超越"指的是四个维度的综合账,不是每一项跑分。事实上对自家旧旗舰都没全赢——V4 Pro 的 GPQA Diamond 是 92.4,V4.1 Flash 是 90.9,低了 1.5 分;HLE 36.8 在横向对比表里更是全场最低。真正的跳变在 Agent 实战类基准:Terminal-Bench 3.0 从 V4 Flash 的 7.6 直接到 30.0(近 4 倍),DeepSWE 从 54.4 到 74.2。DeepSeek 的判断是:在 Agent 主战场用三分之一的价格追平甚至超过旗舰,比在科研推理类基准上追那几分更重要。

这个决策里藏着三层"激进":

第一,敢于让产品档位吞掉旗舰档位。 一般来说,Flash 与旗舰的区隔是产品经理们精心维护的——Flash 负责走量,旗舰负责定价和品牌上限。DeepSeek 直接把这条线划掉了。更彻底的是一并砍掉了用户侧的模型选择权:原本快速/专家/识图三个模式合并成统一智能模式,模型自己判断复杂度、检测到图片就激活视觉能力。"选模型"这件事从用户手里被收走,交给了路由层。

第二,敢于用静默路由处理存量用户。 9 月 14 日之后 deepseek-v4-pro 请求被静默切到 V4.1 Flash 并按 Flash 计费,没有公开的 opt-out 机制。官方逻辑无懈可击——"继续以更高价格、更慢速度为用户提供更弱的 V4 Pro,已不再合适"。但社区(包括 Hacker News 上的讨论)指出工程风险:生产系统是围绕特定模型的失败模式调优的,重试策略、prompt 兜底、监控告警都建立在 V4 Pro 的行为分布上;V4.1 Flash 均分更高,不代表它在某套 prompt 上的失败分布与 V4 Pro 一致。硬 deadline 之前,回归测试重点应该放在结构化输出(JSON/函数调用)的格式漂移上。

第三,开源姿态比 V3 时代更彻底。 本仓库 LICENSE 是干净的 MIT License,权重分片(48 个 safetensors 文件)与 tokenizer.json 一并放出,连 DeepSeek License 那套附加限制都没用。不过 552B 的 MoE 摆在那里——官方自己的说法很实诚:大规模部署需要约 2000 张 GPU 加存储集群。对绝大多数团队这是"能下载"而不是"能跑",好在 890 字节/token 的 KV Cache 让显存压力比上一代友好很多。仓库还提供了两份自包含的参考实现:提示词编码在 encoding/encoding.py(encoding/README.md 详述了 V4.1 相对 V4 的三处格式变化:DSML 标签前导空格、1–100 数值化 reasoning effort、中途 <|System|> 消息),最小推理实现在 inference/README.md(权重转换 + 8 路张量并行 + fp4 专家)。

这条路线对手们敢不敢跟

V4.1 Flash 发布前后,行业风向已经很明显:不到五个月,国内几家厂商先后把 Flash 推到了产品线核心——4 月 V4-Flash,8 月 26 日 Qwen3.8-Flash 和 GLM-5.3-Flash 同日登场,两周后 V4.1 Flash 接替 V4 Flash。OpenCode 宣布免费提供 V4.1 Flash(限 200K 上下文),硅基流动上线了高速版,国家超算互联网也接入了该模型。

但注意一个区别:别的厂商在"卷 Flash",只有 DeepSeek 敢让 Flash 直接把 Pro 送走。 原因在于多数 Flash 仍是"更小模型 + 蒸馏"的产物,与旗舰存在明确的能力代差,产品线需要旗舰来锚定上限;而 V4.1 Flash 的能力来源不是蒸馏压缩,而是架构级成本重排——同样的 552B 专家池,靠非对称激活 + KV Cache 压缩把"贵"的部分拆掉。当 Flash 的实测能力已经覆盖旗舰的绝大多数业务场景,保留 Pro 档位就只剩价格锚定的营销价值,DeepSeek 选择直接砍掉。

这个决策对行业的牵引不止于"便宜"。它验证了一件事:当模型能力跨过可用门槛之后,速度、吞吐和单次任务成本就是新的竞争主战场。 旗舰模型仍是"科学家",但日常任务——翻译、摘要、常规代码修改、Agent 子任务——已经在向 Flash 迁移。社区实测给出的方向性结论也与此一致:V4.1 Flash 相对 V4 Pro 速度优势明显(中位总耗时约为后者的 36.6%),单位 token 成本低 71.4%;相对旧 V4 Flash 则是"更贵但更强",选型需要结合任务复杂度与重试成本。

而对中间层玩家来说,这次发布还有一个更冷峻的信号:C 端三模式合并意味着"帮用户挑模型"的价值正在被路由层吞掉。DeepSeek 用一次"以下犯上"示范了什么叫聚焦——当一个轻量模型在综合账上全面超越旗舰,砍掉旗舰不是激进,而是诚实。至于 V4.1 Pro 会以什么姿态归来,从 Flash 这个尺寸就能在 DeepSWE、Automation-Bench 上拿第一来看,Pro 的看点已经不是"能不能干活",而是"能把 HLE 那 20 分的差距补回多少"。到那时,轮到别人家的旗舰来回答"敢不敢跟"这个问题了。

登录后查看全文
DeepSeek-V4.1-Flash-1017