导读2026 年 9 月 10 日，DeepSeek 正式发布 V4.1 Flash；9 月 14 日 12:00 起，旧 V4 Pro 的 API 请求将自动转给它处理。新模型在多项 Agent 基准、KV Cache 占用和 API 单价上都有明确增量，但自动路由只解决接口去向，不会替开发团队完成能力、成本、兼容性与回退验收。
正式发布后，问题已经从“要不要测”变成“怎么迁”
9 月 8 日，DeepSeek V4.1 Flash 还只是短期内测模型。没有正式模型卡、技术报告和完整价格时，它值得测试，却不能仅凭几张速度截图替换线上 V4 Pro。
两天后，缺失的资料大多补齐了。
9 月 10 日，DeepSeek 正式发布 V4.1 Flash，同步开放模型权重与 51 页技术报告。API 正式模型名是 deepseek-flash；旧 V4 Flash 和 Vision Exp 已退役，旧名称暂时兼容，但底层请求由新模型处理。
9 月 14 日 12:00 起，deepseek-v4-pro 也会自动路由到 V4.1 Flash，并按 Flash 价格计费，直到未来 V4.1 Pro 上线。
内测阶段要决定“是否放进评估环境”，现在则要在切换前算清四笔账：能力、架构、真实费用和迁移风险。
DeepSeek V4.1 Flash 开启内测：想替换 V4 Pro，先过这五关
第一笔账：Agent 跑分更强，不等于每类任务都赢
DeepSeek 对外给出的结论很明确：经过多方测试，V4.1 Flash 已在性能、费用、速度和总用时上全面超过 V4 Pro。这句话能说明官方为什么敢下线旧 Pro，却不能代替我们查看公开表格。
在官方最高推理强度的结果里，V4.1 Flash 在多项 Agent 任务上领先 V4 Pro：DeepSWE v1.1 为 74.2 对 62.7，Terminal-Bench 3.0 为 30.0 对 11.8，CyberGym 为 88.1 对 83.3。Coding、终端操作、网络安全和自动化任务，是提升最集中的区域。
但同一张表里也有另一面。V4.1 Flash 的 GPQA Diamond 是 90.9，低于 V4 Pro 的 92.4；HLE 纯文本子集也低于旧 Pro。它在 Terminal-Bench 3.0、ProgramBench 等项目上还落后于部分外部前沿模型。
图片说明：V4.1 Flash 在 DeepSWE、CyberGym 和 Automation-Bench 上表现突出，但 Terminal-Bench 3.0 仍低于 Opus 5 与 GPT-5.6 Sol。 图片来源：DeepSeek-V4.1-Flash 官方模型卡
所以，“全面超越”是 DeepSeek 基于多项测试作出的产品替换结论，不等于公开表格里的每个格子都更高。
Agent 成绩也不只由模型决定。技术报告固定同一份 V4.1 Flash 模型权重（checkpoint），只更换组织提示词、工具与交互流程的运行框架（Harness）。DeepSWE v1.1 在 mini-SWE、DSH Minimal 和 Codex 下分别得到 74.2、72.6 和 65.6；工具接口、提示词、执行协议和最大步数，都在参与最后的结果。
因此，迁移时最重要的能力数字不是官方平均分，而是你自己的任务完成率：同一批代码仓库、同一组工具权限、同样的推理强度与停止条件下，新模型能否稳定交付合格结果。
第二笔账：缓存缩小，省的是服务资源，不是承诺时延
V4.1 Flash 的架构很容易被一句“输入激活 8B、输出激活 16B”带过。真正需要看懂的，是为什么输入和输出可以走不同的计算路径。
模型的语言主干分成 20 层因果 Encoder 和 20 层 Decoder。处理长输入时，历史位置先经过 Encoder；Decoder 所需的全局 KV，不再要求历史内容逐层完整跑过后半段，而是由 Encoder 的最终隐藏状态投影得到。生成新 Token 时，新位置仍会经过完整的 Encoder 与 Decoder。
这套 Causal Encoder-Decoder（CED，因果编码器—解码器）结构，适合典型的 Agent 负载：先读取长对话、代码和工具结果，再生成相对短的判断或操作。
另一层优化发生在 KV Cache。它保存注意力后续还要反复使用的历史状态。Compressed Sparse Attention 2（CSA2，压缩稀疏注意力 2）让部分层共享主 KV 和稀疏索引，FP4（4 位浮点格式）又继续压缩主 KV 的存储体积。官方给出的全局 KV Cache（global KV cache）是 890 bytes/token，约为 V4 Flash 的四分之一。
图片说明：图中 890 bytes/token 指 global KV cache；它约为 V4 Flash 的四分之一，不能直接当作模型全部显存。 图片来源：DeepSeek-V4.1-Flash 官方模型卡
报告里的“八分之一”是另一笔账：通过不再长期保存滑动窗口注意力的局部 KV，并在需要时重放末尾窗口，持久缓存占用降到旧模型的大约八分之一。一个主要对应 HBM（GPU 高带宽内存）里的全局 KV，另一个对应 SSD 或主机内存里的持久缓存，不能揉成同一个“显存缩小八倍”。
这些改动能降低计算、存储和搬运历史状态的压力，却不能直接推出请求时延减少四分之三。端到端速度还取决于权重读取、通信、调度、缓存命中、生成长度和服务负载。架构账解释资源为什么有机会下降，真实请求仍要看监控数据。
模型、报告与调用资料
模型权重与模型卡： https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash
技术报告： https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf
API 变更日志： https://api-docs.deepseek.com/updates/
第三笔账：Token 单价降了，任务成本还要再算一次
按 DeepSeek 中国区公告，V4.1 Flash 以每百万 Token 计费：空闲时段的缓存命中输入、缓存未命中输入和输出分别为 0.02 元、1 元和 4 元；工作日高峰时段分别为 0.04 元、2 元和 8 元。新价格从 9 月 10 日 12:00 起生效。
图片说明：高峰时段为工作日 9:00—12:00、14:00—18:00，其余时间按空闲价格计费。 图片来源：DeepSeek 官方微信公众号
但 Agent 的账单不是价目表三项相加那么简单。同一任务可能调用十几轮工具，失败后还会重试；提高 reasoning effort 会改变输出长度，换一套 Harness 也可能改变步骤数与成功率。缓存命中率一旦下降，大量输入又会从便宜档回到未命中档。
真正适合迁移决策的口径是：
单个合格结果成本 = 全部调用费用 ÷ 合格结果数量
分母很关键。新模型即使单次调用便宜，如果某类任务需要更多轮次、输出更多 Token 或更频繁重试，最终降幅也会被吃掉。反过来，如果成功率提高、步骤减少，真实收益可能比单价变化更大。
所以，别只保存总账单。至少记录缓存命中与未命中输入、输出 Token、工具轮次、失败重试、任务成功率和尾部较慢请求的 P95 完成时间。价格表告诉你资源单价，这组数据才告诉你一个结果花了多少。
第四笔账：API 名字兼容，业务行为不会自动兼容
9 月 14 日的自动路由对调用方很省事：继续发送 deepseek-v4-pro，请求也能得到响应。但“没有报模型不存在”只是接口层兼容，不能证明返回行为、工具选择、JSON 结构和长任务稳定性与旧 Pro 一致。
切换前，最小验收可以压缩成四步：
1. 从真实流量中抽取一组可重放任务，覆盖简单问答、长上下文、工具调用、结构化输出和高风险写操作；固定提示词、权限、温度、推理强度与最大步数。
2. 在 9 月 14 日自动路由前，同时调用旧 Pro 与 V4.1 Flash，记录任务成功率、关键字段通过率、中位数（P50）与尾延迟（P95）、Token、缓存命中和重试次数，不拿一次主观“更快”代替分布数据。
3. 对工具参数、JSON schema（结构化输出约束）、停止条件和多轮状态单独回归。输出看似合理却少一个必填字段，照样可能让下游失败。
4.
真正演练一次回退。9 月 14 日后，deepseek-v4-pro 这个名称本身会指向新 Flash，不能再充当返回旧 Pro 的开关；需要回退时，只能依赖事先准备的其他可控模型或提供方。
正式技术报告、模型权重、公开评测、视觉能力和更低价格，已经让 V4.1 Flash 从内测模型变成了很有吸引力的生产候选。
四笔账里，能力增量、资源机制和 API 单价已有官方材料可以核对；兼容性、稳定性与单个合格结果成本，只能在自己的业务里结清。
9 月 14 日到点后，流量会自动切过去。自动切换是平台动作，迁移完成才是工程结论。
参考资料
DeepSeek API 变更日志： https://api-docs.deepseek.com/updates/
DeepSeek 模型与价格： https://api-docs.deepseek.com/quick_start/pricing/
DeepSeek-V4.1-Flash 模型卡： https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash
DeepSeek-V4.1-Flash 技术报告： https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf
DeepSeek Harness 官方仓库： https://github.com/deepseek-ai/deepseek-harness
DeepSeek V4.1 Flash 发布公告： https://mp.weixin.qq.com/s/qg0NU3NNUbp1co2PdkAPAg
— THE END —
文章仅做学术分享，如有侵权请联系删除，非常感谢！