一句话看懂：DeepSeek-V4.1-Flash 技术报告公开，核心是把 KV Cache 压缩到前代约四分之一，同时用 Causal Encoder-Decoder 架构把 Prefill 激活参数降到 8B、Decode 保持 16B。它解决的是长任务 Agent 场景下显存、SSD 和互联带宽被 KV Cache 拖死的问题。
事件核心：发生了什么
据技术报告《DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression》，该模型参数规模 552B，原生支持多模态输入和最高 100 万 token 上下文，采用 Causal Encoder-Decoder（CED）架构：Decoder 的全局 KV Cache 由 Encoder 最终隐藏状态投影得到。整模型 40 层，Prefill 阶段只需激活其中 20 层，因此 Prefill 激活参数 8B、Decode 激活参数 16B。报告称同序列长度下，其运行时 KV Cache 存储约为 DeepSeek-V4-Flash 的 1/4，持久化 KV Cache 约为 1/8。
为什么重要
长周期 Agent 工作流会让上下文不断变长，工具调用又带来大量 Prefill 计算。此时瓶颈往往不是算力，而是 KV Cache 在 HBM、主机内存和 SSD 之间的存储与搬运，直接限制吞吐并抬高部署成本。DeepSeek 这次从架构层压缩 KV Cache：借鉴 GQA 的头数压缩、块级压缩、跨层压缩以及稀疏注意力的 indexer 优化，并采用 FP4 KV Cache。换句话说，竞争点正从“堆参数”转向“每 token 的缓存开销”。
对用户/开发者/创作者的影响
对做 Agent、代码助手和长文档处理的开发者，最直接的变化是同等硬件下可承载更长上下文与更高并发，前缀复用和持久化缓存的成本也会下降。API 侧若延续这一架构，长输入任务的单价和延迟有望改善。对企业和创作者而言，百万 token 上下文的多模态模型若稳定落地，长视频、代码库、多轮工具调用类应用的可行性会提高。目前公开信息显示，模型的具体开放方式、定价和上下文实际可用长度仍待官方说明。
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 DeepSeek-V4.1-Flash 是否通过 API 或开源形式开放，定价与限流策略如何；二是压缩 4 倍 KV Cache 后，长上下文任务的质量衰减是否可控，FP4 精度在真实 Agent 负载下的表现；三是其他厂商是否跟进 CED、跨层 KV 压缩等路线，把长上下文推理成本继续压低。
来源：Hacker News
