DeepSeek V4.1 Flash 发布，百万上下文开始算缓存这笔账

模型每调用一次工具，终端日志、搜索结果、代码修改和报错信息都会继续塞进上下文。任务跑得越久，重新读入历史的计算越多，KV Cache 也越大。100 万 token 能不能装下，反倒只是最先遇到的问题。后面还有显存、SSD、带宽，以及长会话恢复时的等待。

近日，DeepSeek 发布 V4.1 Flash，目标“更强、更快、更普惠”。主要处理三个问题：减少长输入的重复计算，压低历史状态的存储开销，再给 Agent 的思考长度加上一档可调预算。

V4.1 Flash 的参数规模比上一代 Flash 大得多，运行时全局缓存却只有后者的约四分之一。报告中的多项设计都围绕这个对聊天模型来说，长上下文意味着一次可以多放几份文档。到了 Agent 场景，它会变成一笔不断滚大的账。变化展开。对聊天模型来说，长上下文意味着一次可以多放几份文档。到了 Agent 场景，它会变成一笔不断滚大的账。

01 代码和 Agent 成绩

DeepSeek V4.1 Flash 是原生多模态 MoE 模型，语言主干有 40 层 Transformer。它包含 552B 主干参数和 196B Engram 条件记忆参数；处理输入时，每个 token 激活约 8B 参数，生成阶段约激活 16B。上下文长度仍是 100 万 token。

主要 Agent 成绩包括：Terminal-Bench 2.1 为 90.6，DeepSWE v1.1 为 74.2，CyberGym 为 88.1，Automation-Bench 为 54.8。

Terminal-Bench 把模型放进终端。它得先判断当前环境里有什么，再执行命令、处理失败，最后交出能通过验证的结果。DeepSWE 更接近真实的软件工程：问题散落在仓库的多个文件中，一处修改可能引出新的测试失败。CyberGym 面向网络安全任务，Automation-Bench 则把模型放进跨应用操作流程。

单轮写代码只是其中很小的一部分。一个仓库任务跑到第三十轮时，Agent 可能已经看过几十个文件，改过配置，装过依赖，还留下两段失败日志。此时真正难的是别把最初的验收条件忘掉，也别把刚刚排除的错误再查一遍。V4.1 Flash 的高分主要出现在这类连续任务上。

这些成绩显示，V4.1 Flash 的代码能力已经延伸到更复杂的多轮执行。和 V4-Flash 0731 相比，Terminal-Bench 2.1 从 82.7 升到 90.6，DeepSWE v1.1 从 54.4 升到 74.2；NL2Repo-Bench、CyberGym 和 Automation-Bench 也分别提高了 11.2、11.4 和 17.1 分。无论是修改完整仓库、操作终端，还是处理安全任务和跨应用流程，进步都很明显。

横向比较同样出色。Terminal-Bench 2.1 的 90.6 高于表中的 Claude Opus 5、GPT-5.6-Sol、GLM-5.3 和 Kimi K3；DeepSWE v1.1 的 74.2 略高于 Claude Opus 5 的 74.0；CyberGym、Automation-Bench 和 Agents' Last Exam 也拿到了表中最高分。这组结果说明，V4.1 Flash 已经能够承担强度较高的代码与 Agent 任务，而且优势并不限于某一种任务形式。

换用不同的 Agent 框架，分数会有波动，但整体仍处在较高水平。报告中，DeepSWE 得分落在 65.5 到 74.2 之间，Terminal-Bench 2.1 落在 84.1 到 90.6 之间。模型本身提供了扎实的能力底座，系统提示词、工具接口和上下文管理则会决定这些能力最终能发挥到什么程度。

更困难的评测上，差距仍然明显。Terminal-Bench 4.0 中，V4.1 Flash 为 31.2， Opus 5 为 51.8；HLE 分别是 36.8 和 56.3。

02 这次更新为什么一直在谈 KV Cache

过去几代模型已经把长序列的注意力计算压低了不少。计算下降之后，原本没那么显眼的 KV Cache 开始卡住部署。

KV Cache 保存历史 token 的注意力状态。模型生成下一个 token 时，可以直接取用这些状态，不必从头再算。问题是，长会话一多，缓存会迅速占满高带宽显存。为了让 Agent 之后接着干，还要把部分缓存放进主机内存或 SSD；恢复任务时，再把它们搬回来。于是，同一份上下文会同时消耗显存容量、持久化存储和传输带宽。

工具调用会频繁触发预填充。新的观察结果经常会连同旧历史一起送入模型；如果前缀缓存没有命中，整段输入就得重新处理。上下文已经累积到几十万 token 时，这一步很贵。

DeepSeek 为此设计了 Causal Encoder-Decoder，简称 CED。40 层网络从中间切开，前 20 层是因果编码器，后 20 层是解码器。长输入先经过编码器；解码器需要的全局 KV，不再由每一层拿着完整输入重新生成，而是从编码器最后一层的隐藏状态投影出来。

局部信息的处理没有省掉。每一层仍有滑动窗口注意力，照看离当前 token 最近的内容。恢复解码器局部状态时，系统只重放最近 128 个 token，而不是让整段历史再走一遍后 20 层。输入远长于窗口时，CED 可以把预填充计算降到原来的近一半。

压缩后的全局分支负责较远的历史，滑动窗口保留近期内容的完整状态。刚返回的报错和上一条工具结果通常需要逐字处理，几百轮之前的信息只在相关时被调回。

V4.1 Flash 还把原来的 mHC 改成 Single-Pass mHC。mHC 负责深层网络里的信息混合，旧实现要经过四个内核；新版把过程合并，相应的 Mega-mHC 内核将激活内存流量减半。它解决的是内存读写次数，而非注意力计算本身。

03 CSA2 怎么把每个 token 压到 890 字节

CSA2 负责减少缓存。V4.1 Flash 放弃了上一代 CSA 与 HCA 混合的全局注意力结构。除编码器最前面的两层只使用滑动窗口外，其余层的全局分支统一改用 CSA2。

CSA2 有 Full、Reindex 和 Reuse 三种模式。Full 层负责生成全局 KV、索引键和 Top-K 位置；Reindex 层沿用前面 Full 层的 KV，但根据本层查询重新排一次相关位置；Reuse 层更省，KV 和 Top-K 结果都直接复用。三种模式仍会计算各自的查询，并保留本层的滑动窗口 KV。

FULL

完整缓存与索引

负责生成全局 KV、索引键和 Top-K 位置

REINDEX

重排相关位置

沿用前面 Full 层的 KV，根据本层查询重新排序

REUSE

直接复用结果

KV 和 Top-K 结果都直接复用，尽可能减少重复工作

Full 层承担完整的缓存和索引计算，Reindex 层保留本层重新选择相关位置的机会，Reuse 层则尽可能减少重复工作。这样既不用给每层各存一套全局 KV，也没有强迫所有层使用完全相同的检索结果。

解码器里还有一层粗筛。第一个索引器先从完整历史中找出最多 16384 个候选位置，后续索引器只在这个候选池里打分，最后取 Top-512 送入注意力。这样既缩小搜索范围，又允许后面的层根据自己的问题改变选择。

缓存精度也降了。全局 KV 使用 FP4，局部滑动窗口仍为 FP8。跨层复用、稀疏检索和低精度存储叠在一起后，V4.1 Flash 的全局 KV Cache 为 890 字节/token。上一代 V4 Flash 是 3514 字节，前者大约只有后者的四分之一；如果和 2023 年的 DeepSeek V1 相比，已经缩小约 437 倍。

运行时缓存主要待在 HBM，跨请求保存的持久化缓存则更多落在 SSD 或主机内存。SWA Bounded Replay 不再把每一层的滑动窗口 KV 全部写进 SSD，而是在会话恢复时，用最近一个窗口近似重建。根据报告，这带来的性能损失很小，持久化 KV Cache 则降至 V4 Flash 的约八分之一。

同样的显存因此可以容纳更多长会话，缓存落盘和恢复时需要传输的数据也更少。Agent 进行几十次工具调用后，历史还在继续增长，但缓存成本不会再按原来的幅度上涨。

04 Engram 和 DSpark 各管一件事

V4.1 Flash 有 196B Engram 参数。

MoE 负责从大量专家中选出少数参与当前计算，Engram 更像一块可查询的条件记忆。它使用二元、三元和四元 n-gram，再通过八组哈希头定位记忆条目。相关内容可以从主机侧提前取回，不需要让全部 Engram 参数随每个 token 一起激活。

某些常见搭配、实体关联和局部知识可以直接查找；需要结合上下文判断的部分，再交给神经网络计算。这样增加模型容量，算力不必跟着总参数一比一增长。查找本身仍会占用带宽，因此 Engram 表采用分片存储，并通过 RDMA 提前取回可能用到的条目。

DSpark 处理的是另一段等待：逐 token 解码。它并行起草多个后续位置，再交给主模型验证。候选足够可靠就一次接纳多个 token，不可靠则回到常规生成。置信度调度器会根据候选质量决定验证时机。

DSpark 不改变主模型的答案能力，只缩短生成等待。

05 Agent 后训练要先解决沙箱

V4.1 Flash 使用 45T token 的多模态语料进行预训练，文本与多模态数据约为 7:1。视觉信息从语言模型预训练阶段就进入同一条序列。

视觉编码器 DeepSeek-ViT 支持可变分辨率。图片经过 3×3 pixel-unshuffle 后，视觉 token 数量减少九倍，支持的输入分辨率可到约 1344×1344。模型可以读取网页、图表、软件界面和执行后的截图。完成操作后再检查环境的新状态，它才有机会发现按钮点错了，或者生成的页面已经溢出。

后训练依次经过 SFT、异步强化学习和 OPD。算法名称并不新鲜，真正花力气的是训练环境。DeepSeek 为此建设了 DSec 沙箱系统，让代码、终端和工具任务可以大规模执行和验证。系统采用定制调度器，目标规模达到数百万容器；在相近负载下，单个物理节点的并发容器数量从约 1000 个提高到 2500 个以上。

这类环境决定了 Agent 能学到什么。如果训练数据只有问题和标准答案，模型很难学会命令失败之后怎么改。沙箱会返回真实日志、测试结果和系统状态，模型的整条操作轨迹都能被判断。报告还提到，有些训练中的 Agent 会删掉关键二进制文件、破坏文件系统，甚至尝试利用环境漏洞。DSec 用 AppArmor 和基于 eBPF 的网络策略做隔离，环境被破坏则把本轮轨迹记为失败。Agent 后训练因此需要建设和维护大量可执行环境。

06 思考越久不一定越划算

V4.1 Flash 把 reasoning effort 作为强化学习的显式条件，取值范围为 1 到 100。API 目前分成 low、high 和 max 三档，分别对应 50、75 和 100。

从 effort 25 提高到 100，八项推理测试的平均 Pass@1 从 67.1% 上升到 76.3%；DeepSWE 从 66.0% 升至 74.2%；Terminal-Bench 2.1 从 82.4% 升至 90.6%。平均输出 token 同时增加到约 2.5 倍。

曲线前半段涨得快，后半段逐渐变平。effort 60 到 80 已拿到大部分准确率收益；从 80 继续拉到 100，Agent 轨迹会增长约 1.6 至 1.8 倍，分数只再上升一点。日常代码修改把预算开到 max，往往只是让模型想得更久。跨文件调试、复杂安全任务或者需要多次验证的工作，才更值得付这笔 token 成本。

调用方可以根据任务难度调整预算。同一个 Agent 流程也不必从头到尾使用一档设置：先用中档定位问题，遇到测试反复失败，再把关键步骤升到高档。

07 100 万上下文的边界

部署门槛仍然很高。V4.1 Flash 每个 token 会激活数十亿参数，权重体量达到数百 GB。即使采用混合精度，普通工作站也很难完整承载；如果还要跑到 100 万 token，上下文缓存和服务冗余也要占掉额外资源。

V4.1 Flash 能接收 100 万 token，不表示放在窗口里的每个细节都能稳定找回。基础模型在 LongBench V2 上得到 45.2，只比 V4 Flash 的 44.7 略高，低于 V4 Pro 的 51.5。CSA2 可能选错相关位置，SWA Bounded Replay 的近似重建也可能在极端输入下损失信息。

DeepSeek 同时下调了 V4.1 Flash 的 API 价格。每百万 token 的空闲时段价格为：缓存命中输入 0.02 元，未命中输入 1 元，输出 4 元；高峰时段分别为 0.04 元、2 元和 8 元。

Agent 一项任务可能调用几十轮，还会携带越来越长的历史。此时总费用取决于缓存命中、输出长度和失败重试次数，不能只看一次请求的单价。

预填充少算近一半，全局 KV Cache 降到 890 字节/token，持久化缓存也只有上一代的约八分之一。长任务因此可以少占一些显存和存储，会话恢复时需要搬运的数据也更少。不过，缓存压缩解决不了所有问题。V4.1 Flash 在高难任务上仍有差距，100 万 token 的窗口里也可能漏掉线索。它到底能省下多少成本，最后还要看完成一项真实任务需要调用多少轮、生成多少 token，又会失败重试几次。

08 模型下载

OpenCSG社区：

https://opencsg.com/models/deepseek-ai/DeepSeek-V4.1-Flash

Hugging Face社区：

https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash

09 OpenCSG vs 魔搭：如何选择？

模型部署在魔搭、OpenCSG 等模型社区中均可实现，但 OpenCSG/CSGHub 的核心在于，它不只是让模型"跑起来"，而是进一步支持企业把模型、数据集、代码和应用等 AI 资产放到本地、内网或离线环境中统一管理。它解决的不只是"模型怎么部署、怎么调用"的问题，更是"模型进入企业后如何被安全管理、版本沉淀、权限控制和持续运营"的问题。

对于企业来说，CSGHub 可以帮助构建自己的私有模型资产中心，降低对外部平台的依赖；对于个人开发者来说，也可以用更系统的方式管理模型、实验项目和 AI 应用流程。相比更偏向模型发现、体验和使用入口的魔搭，CSGHub 更适合那些希望把 AI 能力真正沉淀下来，并长期维护、持续迭代的用户。

关于 OpenCSG

OpenCSG是全球领先的开源大模型社区平台，致力于打造开放、协同、可持续生态，AgenticOps 是人工智能领域的一种 AI 原生方法论，由 OpenCSG（开放传神）提出。AgenticOps是 Agentic AI 的最佳落地实践也是方法论。核心产品 CSGHub 提供模型、数据集、代码与 AI 应用的一站式托管、协作与共享服务，具备业界领先的模型资产管理能力，支持多角色协同和高效复用。