Sheldon Wang

Sheldon Wang

Seasoned iOS Veteran, Mentor

DeepSeek V4.1-Flash：计费单位不再是模型，而是缓存

2 minute read

Published:

English version

新闻

DeepSeek 在 9 月 10 日发布了 V4.1-Flash：552B 参数的混合专家（MoE）模型，采用因果编码器-解码器（CED）架构，100 万 token 上下文窗口，原生多模态，权重以 MIT 协议在 Hugging Face 开放。官方评测表（所有模型都在最大 reasoning effort 下跑）显示：DeepSWE v1.1 得 74.2，对 Claude Opus 5 的 74.0、GPT-5.6 Sol 的 73.0；Terminal-Bench 2.1 得 90.6，对 89.1 和 88.8；CyberGym 88.1；AutomationBench 54.8。所有数字都对照 DeepSeek 自己的技术报告和模型卡验证过，不是转述媒体通稿。

先说好的：这是真功夫

这份工程成色值得先肯定再开刀。CED 把 40 层 Transformer 拆成 20 层因果编码器 + 20 层解码器，prefill（读输入）时每个 token 只激活 80 亿参数，decode（生成）时激活 160 亿——552B 的大底座，读得便宜、想得贵。Compressed Sparse Attention 2 加上 FP4 的 KV 缓存，把全局 KV 压到 890 字节/token（约 V4-Flash 的四分之一、V1 的 1/437），SWA Bounded Replay 这个部署技巧又把持久化（SSD/内存）缓存压到约八分之一。上下文从 4K 拉到 1M（256 倍），单 token decode 的 FLOPs 只涨约 25%。从零开始训了 45T token。对于整天反复读同一个代码仓库的 coding agent 这种输入密集型负载，这正是该优化的方向——这份架构论文比分数表有意思得多。

标题数字没告诉你的三件事

第一，0.2 个百分点的”胜利”就是平局——厂商自己的表证明了这一点。 DeepSWE v1.1：74.2（Flash）对 74.0（Opus 5）对 73.0（Sol），全是 effort=100 跑的。DeepSeek 自己的评测说明里写过：0.3 以内的分差视为等价（原话针对 base 模型评测，但道理通用）。更致命的是 DeepSeek 自己的 scaffold 对照表：同一个 checkpoint 在 8 种 harness（Claude Code、Codex、OpenCode、Pi、mini-SWE、三种 DeepSeek Harness 模式）下，DeepSWE 得分从 65.5 到 74.2——光 harness 就能晃出 8.7 个百分点，是那 0.2 个百分点差距的四十多倍。更新一下我的老规则：agent 类基准上，harness 不固定且不公开的，9 个百分点以内的差距一律按平局处理。

第二，所有标题数字都是 reasoning effort=100 跑出来的——这是最不经济的档位。 技术报告自己的曲线：effort 从 25 拉到 100，DeepSWE 从 66.0% 涨到 74.2%，Terminal-Bench 2.1 从 82.4% 涨到 90.6%，代价是约 2.5 倍的输出 token。而 60–80 这个区间已经能拿回接近满档的大部分精度，token 花费不到一半；最后冲到 100 那一步，agent 轨迹拉长 1.6–1.8 倍，涨分却微乎其微。DeepSeek 公开 API 的三档预设是 low=50、high=75、max=100。榜单配置不是生产配置——把榜单配置原样搬进生产，等于多花 2.5 倍 token 买个位数的涨分。

第三，这张表并不全是赢——要看完整的一行。 Terminal-Bench 3.0：30.0 对 Opus 5 的 43.3；4.0：31.2 对 51.8；ExploitGym：15.3 对 GPT-5.6 Sol 的 33.7；GPQA Diamond：90.9 对 Sol 的 94.1。SWE 形态的任务它赢，terminal 运维形态的任务它输得很惨。这不是缺点，这是重点：按你的 workload 形态买模型，别看标题格。（顺带给 DeepSeek 记一功：输的格子也原样公开了，值得更多厂商学习。）

真正的故事：计费单位变成了缓存

非高峰时段，DeepSeek 的缓存输入价格是每百万 token 0.003 美元（cache miss 0.15 美元，输出 0.60 美元；高峰时段——周一到周五 01:00–04:00 和 06:00–10:00 UTC——正好翻倍）。算一笔 builder 的账：一个 agent 维护 50 万 token 的可复用前缀（仓库、工具定义、系统提示），100 次请求都命中缓存，就是 5000 万缓存输入 token。V4.1-Flash 非高峰只要 0.15 美元，Kimi K3（缓存 0.30 美元/M）要 15 美元，GPT-5.6 Sol（0.40 美元/M）要 20 美元，Claude Opus 5（0.50 美元/M）要 25 美元。在长期运行的 agent 工作负载里占比最大的这部分 token，价格差是 100–166 倍——而几个基准上的分数差距还在噪声范围内。

50 万 token 前缀 × 100 次请求（5000 万缓存输入 token）的成本对比

监控还没跟上经济学。VentureBeat 2026 年 7 月对 170 家企业的调查：只有 47% 严格追踪 AI 算力成本和 ROI，只有 31% 把”每百万 token 成本”当作核心基建指标。如果你是那 53% 里不追踪的，你就是在闭眼谈判：只看未缓存输入单价比模型，会漏掉 agent 账单里增长最快的那一块。

周一早晨 checklist

  1. 这周把每个 agent 任务的缓存命中率记下来——缓存输入 vs 未缓存输入 token 数，以及每个完成任务的成本。如果缓存读占输入 token 的 80% 以上，选哪个模型就是二阶决策。把能调度的批量 agent 任务挪出 DeepSeek 的高峰窗口（周一到周五 01:00–04:00、06:00–10:00 UTC，其余都是非高峰）。
  2. 按任务难度分档设 reasoning effort：lint 和常规改动用 low（50），功能开发用 high（75），只有真正难啃的调试才上 max（100）。永远别把榜单配置复制进生产。
  3. 厂商 agent 基准差距在 ~9 个百分点以内的，一律按平局处理——除非 harness 固定且公开。迁移之前，先在自己的 trace 上重跑一遍。DeepSeek 这次亲手递上了证据。
  4. 锁死模型标识，厂商侧路由变更后重跑 golden eval。 DeepSeek 本来宣布 9 月 14 日起把 V4-Pro 的 API 流量全部切到 Flash——遭到开发者反对后又撤回，V4 Pro 继续服务、计费不变。静默换模型是真实存在的依赖风险，而这周证明了社区 pushback 是管用的。

辩论

如果一个缓存 token 便宜 100 倍的模型，在你的 agent 基准上和 frontier 模型打得有来有回，那你付 frontier 的溢价到底在买什么？我的判断：frontier 正在变成”最难的 5% 任务的延迟+输出质量产品”，剩下的全是缓存管理问题。frontier 溢价在输入密集型负载上还有哪里赚得回票价——terminal 运维、安全，还是我漏掉的什么？

来源

You May Also Enjoy