一句话看懂：DeepSeek 发布 V4.1-Flash 并公开论文与权重，把 100 万 token 上下文的全局 KV 压缩到约 890MB 量级（每 token 890 字节），同时用新结构让最小尺寸模型全面超过上一代旗舰，配套招聘指向 2000 张 GPU 加存储集群的推理部署。
事件核心：发生了什么
DeepSeek 推出 V4.1-Flash，论文与权重已上传 Hugging Face，SGLang 当天给出部署 cookbook。几个可核查的细节：一是全局 KV 占用从 V1（2023 年 11 月）的 389,120 字节/token，经 V3.2 的 48,068 字节、V4-Flash 的 3,514 字节，压到 890 字节/token，相对初代约 437 倍压缩，这意味着 100 万 token 上下文的 KV 大约只有 890MB。二是架构采用 CED 的非对称设计，Prefill 8B、Decode 16B，并引入 SWA Bounded Replay 的持久 KV 管理和有界重放。三是 Engram 用哈希查找处理 196B 条件记忆，把静态模式从计算中拆出来，MoE 只负责动态推理。四是 Vision 从零训练、与语言共享 45T 语料，旧的外挂式 Flash Vision-Exp 路线被收掉，产品名统一为 deepseek-flash。
为什么重要
最直接的信号是产品线判断变了：新结构系列的最小尺寸已经超过上一代旗舰，而 Pro 被降级为路由对象并计划下线。这说明团队押注“智能密度”而非绝对参数规模，对闭源厂商靠堆参数维持溢价的路线构成压力。其次，890 字节/token 把长上下文从存储灾难变成可常驻、可集群调度的常规资源，直接改写 Agent 的成本结构——长输入、工具回填、多轮缓存命中这些场景的账单会被重算，仍按对称 Transformer 定价的 API 会显贵。第三，论文专门写了 Inference System 章节，官方招聘提到 2000 张 GPU 加存储集群，说明真正的门槛已经从模型结构转移到缓存层级和推理系统工程，这也是开源社区被邀请一起补推理栈的原因。
对用户/开发者/创作者的影响
开发者最该关注的是 Agent 类应用的 API 成本会重估，尤其是需要塞长文档、反复调用工具、维持多轮会话记忆的场景，缓存命中率的价值上升。做私有部署的团队要注意，CED 加 CSA2、Replay、Engram、DSpark 这套组合较新，SGLang 虽有 cookbook，但 KV 分层存储、有界重放这类工程尚未成熟，短期更适合有推理优化能力的团队先试。创作者侧的直接变化是原生多模态收口到 deepseek-flash 一个名字下，调用入口更清晰，但目前公开信息显示这一代仍是系列最小杯，能力上限要等更大参数版本。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是 V4.1 Pro 是否会按论文所说“可扩展到更大参数模型”落地，以及它与 Flash 的路由关系如何定价。二是官方所说的“2000 GPU + 存储集群”是否形成对外可用的推理服务或部署方案，社区能否补齐缓存管理工具链。三是竞品是否跟进非对称 Prefill/Decode 与超低字节 KV，长上下文 API 的报价体系是否因此整体下移。
来源：@NFT_Chen
