DeepSeek V4.1-Flash 为什么这么强？CED 与 CSA2 架构全拆解

一句话结论：V4.1-Flash 强在把“参数规模”和“缓存占用”解耦了——读输入时只激活 8B，写输出时才开到 16B，KV Cache 压到 890 字节/token。

一句话回答：它强在“读得便宜，写得精准”

2026 年 9 月 10 日，DeepSeek 发布 V4.1-Flash。官方对它的定位很直接：这不是一个更小的模型，而是一个把参数花在刀刃上的模型（来源：DeepSeek 官方公告，2026-09-10）。

最反直觉的是一组数字：总参数 552B，比上一代 V4-Flash 的 284B 大了近一倍，但 prefill 阶段每 token 只激活 8B，decode 阶段激活 16B。同一份权重，读输入时几乎不花钱，写输出时才把算力开满。

结果就是：1M 上下文下全局 KV Cache 只剩 890 字节/token（V4-Flash 的 1/4），持久化缓存降到 1/8；上下文从 4K 扩到 1M（256 倍），单 token Decode FLOPs 只增加 1/4（来源：V4.1-Flash 技术报告）。

下面拆开讲为什么能做到。

---

一、CED：Agent 逼着 DeepSeek 把 Transformer 拆成两半

输入输出比被彻底倒过来了

传统 decoder-only 模型是为“聊天”设计的：输入短、输出长。Agent 恰好相反——要连续读网页、解析代码仓库、跑测试日志，输入动辄几十万 token，输出往往只有几十行补丁。

2026 年 4 月，密歇根大学与斯坦福等院校的论文《How Do AI Agents Spend Your Money?》测算：agentic 代码任务中输入与输出的 token 比高达 154:1（来源：凤凰网科技）。而在标准架构下，每一层都要为全部输入 token 生成自己的全局 KV——这意味着绝大部分算力被花在了“读”上。

20+20 拆层：全局记忆只生成一次

CED（Causal Encoder-Decoder，因果编码器-解码器）把 40 层主干切成 20 层编码器 + 20 层解码器。关键改动是：解码器各层的全局 KV 不再从本层隐状态计算，而是直接从编码器最后一层隐状态投影得到（每层用各自的投影矩阵，拿到同一份隐状态的不同线性视图）。

复杂度上，标准架构 prefill 是 O(NL)，CED 约为 O(NL/2 + nL/2)，其中 n 是滑动窗口大小（128）。长输入场景下 prefill 计算量近乎减半。

需要说明一点：解码器并不是全程闲着——滑动窗口注意力的局部 KV 仍需逐层计算。CED 省掉的是上层重复的全局 KV 计算，而不是全部计算。

---

二、CSA2：把 KV Cache 沿“层维度”再压一轮

V4 时代的 CSA 已经压过“序列维度”，但缓存里仍有大量冗余：每一层都在存自己的 main KV。

CSA2（Compressed Sparse Attention 2）的解法是把每一层静态指定为三种模式之一：

模式	main KV	indexer K	Top-K 索引	含义
Full	本层生成	本层生成	本层重选	完整计算路径
Reindex	复用上层	复用上层	本层重选	共享缓存、独立选点
Reuse	复用上层	复用上层	复用上层	几乎零索引计算

实际排布是典型的“一层干活、五层抄作业”：编码器第 3–20 层分 3 组，每组 1 层 Full + 5 层 Reuse（序列压缩比 m=2）；解码器 20 层分 5 组，第一组是 1 层 Full + 3 层 Reuse，其余四组各为 1 层 Reindex + 3 层 Reuse（m=1）。索引器统一为 32 个索引查询头、头维 128，每查询选 Top-512；主注意力为 64 头、头维 512。

需要注意的是，跨层共享的是存储与索引路径，而不是整层计算——每一层仍然要算自己的主查询 Q 和滑动窗口 KV。

层级化稀疏索引器：先缩小搜索域

即使跨层复用了索引，第一个索引层仍要对全部可见上下文打分——超长上下文下这就是主要瓶颈。

V4.1-Flash 的应对是：第一个 Full 层扫描全部可见位置后，额外按“块内最大分”选出一批候选块，构成共享候选池（报告中为 2,048 个块 × 每块 8 个位置 = 16,384 个候选位置）。后续 Reindex 层只在池内打分，各自选出自己的 Top-512，其每查询打分成本从“线性于上下文长度”变成常数（来源：AI Wiki 技术拆解）。

需要注意边界：第一个 Full 层的全量扫描依然存在。准确的说法是“把全量搜索集中在少数层，其余层在有界范围内工作”，而不是索引成本完全与长度无关。

---

三、FP4 主 KV：从精度维度再乘一个系数

CSA2 压的是层维度，FP4 压的是条目精度维度。

主 KV 改用 MXFP4 体系中的 E2M1 格式，每 16 个通道配一个 E4M3 缩放因子；对精度更敏感的滑动窗口 KV 则保持 FP8。这里有个值得记住的工程细节：量化施加在 RoPE 之后——量化放在 RoPE 之前只有边际精度收益，却会给 decode 引入额外开销。

三个维度相乘：层维度（CSA2 跨层复用）× 序列维度（编码器 m=2）× 精度维度（FP4 相对 FP8 再减半），最终落到 890 字节/token。从初代 DeepSeek-V1 的 389,120 字节一路压到这里，累计压缩约 437 倍。

持久缓存为什么能降到 1/8

上面说的是常驻显存的运行时全局 KV。Agent 还要把状态持久化到 SSD 或主机内存，以便跨请求复用前缀——这部分受硬盘容量与 I/O 带宽约束。

V4.1-Flash 的做法是不再持久化滑动窗口 KV（约省一半），再叠加全局 KV 压到 1/4，两项相乘得到官方给出的 1/8。代价是恢复时需要用 SWA Bounded Replay 重建局部状态：只回放最近一个窗口的 token，而不是逐层完整重算。

值得注意的是，官方报告同时坦承缓存恢复边界仍是需要更多压力测试的环节——这是一个尚未完全收敛的工程点。

---

四、还有三件容易被忽略的事

• Engram 条件记忆：约 196B 参数的两个稀疏访问模块，挂在主干第 1 与第 14 层，把事实性知识从“计算”转为“查找”，不增加每 token 的激活成本。
• Single-Pass mHC + DSpark：残差混合改为单次通过，配合推测解码，把首 token 时延压到约 1.13 秒、输出速度约 214 tokens/s。
• 原生多模态：这是 V4.1-Flash 新增的能力，视觉编码器 32 层、隐藏维度 1024，文本与图像 token 使用各自独立的负载均衡偏置。

---

五、一张表看懂：它和 V4-Pro、V4-Flash 差在哪

对比项	V4-Flash	V4-Pro	V4.1-Flash
总参数	284B	1.6T	552B
激活参数	13B	49B	8B（prefill）/ 16B（decode）
全局 KV Cache	3,514 B/token	—	890 B/token
原生多模态	否	否	是
架构	decoder-only	decoder-only	CED（20+20）
官方 API 模型名	已下线	已切流至 V4.1-Flash	deepseek-flash

数据来源：DeepSeek 官方公告与技术报告（2026-09-10）

一个容易被忽视的信号：官方已宣布逐步下线 V4-Pro。自 2026 年 9 月 14 日 04:00 UTC 起，所有 deepseek-v4-pro 请求都会被路由到 V4.1-Flash 并按 V4.1-Flash 计费，直至 V4.1-Pro 发布（来源：DeepSeek 官方公告）。

---

六、FAQ：关于 DeepSeek V4.1-Flash 的高频问题

Q1：它真的比 V4-Pro 更强吗？
A：按官方口径，V4.1-Flash 在性能、费用、速度和任务总用时上全面超越 V4-Pro。但在更广泛的高难度通用推理任务上表现相对一般——它的强项集中在 Agent 执行、代码修复与自动化任务。

Q2：为什么总参数比 V4-Flash 大，成本反而更低？
A：因为参数量和推理成本被解耦了。552B 是“知识储备上限”，8B/16B 才是每次真实计算的规模；再加上 KV Cache 压缩，实际单位成本反而下降。

Q3：API 怎么调用？价格多少？
A：模型名改为 deepseek-flash 即可。高峰/低谷分时定价，低谷为高峰的 50%：低谷时段缓存命中输入 0.02 元、未命中输入 1 元、输出 4 元（每百万 token）；高峰时段翻倍为 0.04 / 2 / 8 元（来源：每日经济新闻，2026-09-14）。

Q4：开源吗？可以自部署吗？
A：MIT 协议开源，权重与技术报告已在 HuggingFace 发布，官方表示将与开源社区合作推进推理支持，并支持千卡级部署方案。

Q5：1M 上下文是标配吗？
A：是。V4.1-Flash 的原生上下文为 1M，且上下文从 4K 扩到 1M 时单 token Decode FLOPs 仅增加 1/4。

---

结语：它强在把“成本函数”重写了

DeepSeek V4.1-Flash 的强，不在参数表上，而在推理成本函数的重构上。

它不是靠堆参数赢，而是靠重新设计模型“怎么读、怎么记、怎么写”：CED 让长输入不必穿过全部层，CSA2 让缓存沿层维度共享，FP4 让每条缓存条目再减半，层级化稀疏索引器让深层索引不再随上下文线性膨胀。四者叠加，才得出 890 字节/token 这个结果。

如果只记三件事：

1. CED：读输入只激活 8B，写输出才开到 16B；
2. CSA2：一层干活、五层抄作业，缓存跨层共享；
3. FP4 + 有界重放：KV Cache 890 字节/token，持久缓存降到 1/8。

---

如果这篇拆解帮你搞懂了 V4.1-Flash 的架构取舍，欢迎点赞、收藏、转发给正在做 Agent 成本优化的同事；你更想看 CSA2 三种模式的推演，还是 Engram 的实现细节？评论区投票，下一篇按票数展开。