DeepSeek V4.1 Flash：5520 亿参数，编码器与解码器不对称

2026 年 9 月 10 日，DeepSeek 发布 DeepSeek-V4.1-Flash。这是一个多模态 Mixture-of-Experts 模型，基础参数 5520 亿，上下文最长 100 万 token。这不是例行更新：架构变了，注意力缓存的计算方式也变了。按模型卡的说法，V4.1-Flash 在预填充（prefill）阶段每个 token 只激活 80 亿参数，生成回答（decode）时激活 160 亿。

成本刻意分摊不均

结构核心是 Causal Encoder-Decoder（CED）架构：40 层 Transformer 分成 20 层因果编码器和 20 层解码器。经典模型里，解码器每一层都各自算一份隐藏状态；这里解码器的全局 KV cache 由编码器的最终隐藏状态投影而来。80 亿对 160 亿的不对称是设计出来的。agent 负载主要花在读取长上下文上，所以厂商优先优化输入侧。

MoE 层有 1 个共享专家和 384 个路由专家，每个 token 选 6 个。模型卡还列出几个组件：Single-Pass mHC，改过的残差流混合，配 Mega-mHC 内核；Engram，一个 1960 亿参数的条件记忆，靠 token 检索稀疏调用；以及 DSpark，半自回归草稿生成加置信度调度验证的推测解码。

45 万亿 token，视觉从第一步就参与

模型从零开始在 45 万亿 token 的多模态语料上训练。稀疏注意力在 6.4 万 token 的序列长度上训练，上下文扩到 100 万 token 是到 34 万亿 token 阶段才做的，也就是训练大半程之后。预训练之后走标准流程：先 SFT，再强化学习，最后 on-policy 蒸馏。厂商说改的不是算法而是数据：任务和 agent 环境被大规模自动合成。

图像输入由 DeepSeek-ViT 编码器处理，从零训练，用了 2D-RoPE 和 3×3 pixel-unshuffle 下采样，再加两层 MLP 投影器。图像和文本从预训练一开始就进同一个空间，不是后期接上去的适配器。

Hugging Face 上的模型卡记录最近一个月 621,396 次下载，许可为 MIT。官方准备了 vLLM、SGLang、TensorRT 和 Docker Model Runner 的部署变体，以及 FP8、BF16、GPTQ、AWG 和 GGUF 量化。中文站点 IT之家 和模型卡盯的是同一点：在 agent 场景里，账单大部分出在缓存命中上，把 KV cache 压得更小，直接等于降低一次任务的成本。DeepSeek 还宣布下线旧的 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp，并把原本发往 V4-Pro 的请求按 V4.1-Flash 的价格转过去。