DeepSeek V4.1-Flash 上手：CED 架构 + 1M 上下文 + V4 Pro 自动退市，9 月 14 日前该做什么

本文基于 DeepSeek 官方模型卡 deepseek-ai/DeepSeek-V4.1-Flash、官方 API 文档 api-docs.deepseek.com/quick_start/pricing、Hugging Face 量化列表及 Reuters、Flowtivity.ai 等公开来源整理。benchmark 与定价数据取自官方模型卡与第三方评测，尚未经独立第三方复测；部署命令为官方文档整理的推荐路径，实际表现会随硬件、量化精度与提示词质量变化。

一、为什么要现在关注这个模型

9 月 10 日，DeepSeek 把 V4.1-Flash 推上了 GA——不是小迭代，是把 V4 家族的架构推倒重来了一版。最关键的两件事：

1. MIT 协议 + Hugging Face 权重公开——商用、可改、可分发。552B 主干量级的旗舰用这个许可证开放，在国产生态里是头一回。
2. V4 Pro 计划于北京时间 9 月 14 日 12:00 自动路由到 V4.1 Flash，按 Flash 价格计费（来源：DeepSeek API 文档注 (2)）。也就是说，V4 Pro 这条产品线在四天后正式退场——这不是普通升级，是旗舰让位给新一代。

回到本月早期，9 月 9 日我们刚写过面壁智能 MiniCPM5-2B 的端侧部署——1.2GB 量化版跑在旧笔记本上。V4.1-Flash 是完全相反的方向：552B 主干 + 196B Engram 条件记忆，prefill 时激活 8B 参数，decode 时激活 16B 参数。这两个数字才是你看新闻时应该记住的——不是 552，而是 8。

写到这里要先做个澄清：站内 8/2 的 V4-Flash 文章 当时的核心叙事是”V4-Flash 架构一点没变，纯靠重做后训练把 Agent 能力涨 6 倍”。V4.1-Flash 和 V4-Flash 不是同一篇文章能装得下的——架构、上下文、模态、价格档全部变了。读完这篇你会明白具体变了什么、怎么用上它、以及 14 号之前你需要把哪些脚本改掉。

二、CED 架构改了哪些东西（通俗版）

V4.1-Flash 的核心技术点是 Causal Encoder-Decoder (CED)——一个 40 层 Transformer，被切成 20 层因果编码器 + 20 层解码器。区别在哪？

传统 decoder-only 模型（比如 V4-Flash、GPT 系列、Claude Fable 系列）的全局 KV cache 是每层重建的。V4.1-Flash 把解码器那一半的全局 KV cache 直接从编码器的最终隐藏状态投影出来，不再层层重建。配合 Compressed Sparse Attention 2 (CSA2) 的 Full / Reindex / Reuse 三种静态共享模式，以及 FP4 的主 KV 缓存，官方公布的 KV cache 占用是 每 token 890 字节。

换成人话：这是一个 552B 主干的模型，缓存开销比 V4-Flash 小 4 倍、比最早的 V1 小 437 倍。1M token 上下文在工程上第一次能撑得起来。

另一个值得看的组件：Engram 条件记忆——一个 196B 参数的稀疏访问记忆表。模型主体跑标准 MoE 推理时，Engram 通过 token-based lookup 介入，根据当前输入决定要不要”召回”一段记忆。可以理解为模型内置了一个有 196B 参数量的”长期记忆区”，但不是每次都用。

最后是推理档位的控制：API 暴露 max / high / low 三档（连续 1-100 的 dial），max 档跑下面这些 bench 时表现最好（来源：模型卡）：

• DeepSWE v1.1 编程 Agent：74.2（Opus 5 是 74.0、GPT-5.6 Sol 是 73.0、V4-Flash 是 54.4）
• Terminal-Bench 2.1：90.6（Opus 5 官方数字 89.1 左右）
• Terminal-Bench 4.0：31.2（Opus 5 是 51.8，这一项落后——说明 V4.1 在极复杂的多步环境里还不如 Opus 5 强）
• GPQA Diamond：90.9
• Codeforces rating：3471
• Humanity’s Last Exam（带工具，纯文本）：63.9

简单说：在最常见的 Agent 编程任务上它打平或微超 Opus 5；在极复杂的多步环境上仍有差距。这是后面「不建议场景」的依据之一。

三、立刻能用的三种 API 接入方式

你需要先做三件事：(1) 去 platform.deepseek.com 注册并获取 API Key；(2) 余额充值（off-peak 时段 1M 输出 token 约 ¥4.3，按 1 USD ≈ 7.1 CNY 折算）；(3) 决定用哪种调用风格。

3.1 OpenAI 兼容端点（最经典）

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DEEPSEEK_KEY",
    base_url="https://api.deepseek.com"
)

resp = client.chat.completions.create(
    model="deepseek-flash",     # 9/10 起新名，旧的 deepseek-v4-flash 仍可用但已停服
    messages=[
        {"role": "system", "content": "你是一名 Python 教学助手。"},
        {"role": "user", "content": "用 Python 写一个去重的 dict 子类"},
    ],
    max_tokens=1024,
    temperature=1.0,            # thinking 默认开启；想要更确定的输出可降到 0.3
)
print(resp.choices[0].message.content)
print("usage:", resp.usage)

from openai import OpenAI

client = OpenAI(
    api_key="YOUR_DEEPSEEK_KEY",
    base_url="https://api.deepseek.com"
)

resp = client.chat.completions.create(
    model="deepseek-flash",     # 9/10 起新名，旧的 deepseek-v4-flash 仍可用但已停服
    messages=[
        {"role": "system", "content": "你是一名 Python 教学助手。"},
        {"role": "user", "content": "用 Python 写一个去重的 dict 子类"},
    ],
    max_tokens=1024,
    temperature=1.0,            # thinking 默认开启；想要更确定的输出可降到 0.3
)
print(resp.choices[0].message.content)
print("usage:", resp.usage)

deepseek-flash 这个名字在 9/14 之后会一直生效，V4 Pro 用户改这一个字符串就完成迁移。

3.2 Anthropic 兼容端点（如果你已经在用 Claude Code 或 Anthropic SDK）

from anthropic import Anthropic

client = Anthropic(
    api_key="YOUR_DEEPSEEK_KEY",
    base_url="https://api.deepseek.com/anthropic",   # 走 Anthropic 协议
)

msg = client.messages.create(
    model="deepseek-flash",
    max_tokens=1024,
    messages=[{"role": "user", "content": "用一句话解释 BP 算法"}],
)
print(msg.content[0].text)

from anthropic import Anthropic

client = Anthropic(
    api_key="YOUR_DEEPSEEK_KEY",
    base_url="https://api.deepseek.com/anthropic",   # 走 Anthropic 协议
)

msg = client.messages.create(
    model="deepseek-flash",
    max_tokens=1024,
    messages=[{"role": "user", "content": "用一句话解释 BP 算法"}],
)
print(msg.content[0].text)

Anthropic 兼容路径支持 tools 和 vision，调法与 Claude 完全一致。如果你在用 Claude Code + 第三方 provider 路由 的工作流，可以把轻量任务切到 V4.1 Flash 跑 agent 编码、把 Claude 留给代码评审。

3.3 原生 HTTP / curl（最直接，便于抄到任何环境）

curl -X POST "https://api.deepseek.com/v1/chat/completions" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-flash",
    "messages": [{"role":"user","content":"用 Python 写 quicksort"}],
    "max_tokens": 512,
    "stream": false
  }'

curl -X POST "https://api.deepseek.com/v1/chat/completions" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-flash",
    "messages": [{"role":"user","content":"用 Python 写 quicksort"}],
    "max_tokens": 512,
    "stream": false
  }'

返回 JSON 里能看到 usage.prompt_tokens / completion_tokens / total_tokens 三个字段。对账最方便的就是这个直 curl 的版本。

四、9 月 14 日前你必须做的三件事

来源是 DeepSeek API 文档底部注 (1)(2)：

(1) Use deepseek-flash as the model name. The legacy names deepseek-v4-flash and deepseek-v4-flash-vision-exp are still accepted, but the corresponding models have been retired.
(2) From 12:00 Beijing Time on September 14, 2026, and until V4.1 Pro is released in the future, requests to deepseek-v4-pro will all be routed to V4.1 Flash and billed at the V4.1 Flash price.

具体的三个动作：

1. 把硬编码 deepseek-v4-flash 的字符串换成 deepseek-flash——V4-Flash 在 9/10 已经停服，新名字才会路由到 V4.1-Flash
2. 检查所有用 deepseek-v4-pro 的地方——9/14 12:00（北京时间）之后仍能返回结果，但价格会按 Flash 计价。如果你的脚本里写死了”用 Pro 任务”且对成本敏感，建议改成 deepseek-flash + 显式设 reasoning_effort=max
3. 重跑预算估算：V4 Pro 的旧定价是 peak $1.32/M input，V4.1 Flash 是 $0.30/M input——9/14 之后账单应该明显下降，但成本结构变了，压力测试值得重跑一遍

五、量化版与本地部署路径

权重在 Hugging Face 是公开的（MIT）。官方模型卡里有「Browse Quantizations」区，收录了社区做的 GGUF、AWQ、GPTQ 等 23 个量化版本。但有一个现状要直接告诉你：截至发稿（9/11），Ollama 官方库的 deepseek-flash 页面返回 404——和上周 MiniCPM5 的情况一样，新模型 Day0 不在 Ollama 上架，要等社区提交。

想本地跑有三条路：

A. Modelfile 导入 GGUF（推荐消费级显卡）：

# 1. 从 HuggingFace 拉一份 Q4_K_M 或 Q5_K_M 量化版
# 路径示例：bartowski/DeepSeek-V4.1-Flash-GGUF
# 2. 写 Modelfile
cat > Modelfile << 'EOF'
FROM ./deepseek-v4.1-flash-Q5_K_M.gguf
TEMPLATE """{{ .System }}
{{ .Prompt }}"""
SYSTEM "你是 DeepSeek V4.1-Flash，由深度求索训练的 AI 助手。"
PARAMETER stop "<|im_end|>"
PARAMETER num_ctx 131072
EOF
# 3. 导入并运行
ollama create v41f -f Modelfile
ollama run v41f

# 1. 从 HuggingFace 拉一份 Q4_K_M 或 Q5_K_M 量化版
# 路径示例：bartowski/DeepSeek-V4.1-Flash-GGUF
# 2. 写 Modelfile
cat > Modelfile << 'EOF'
FROM ./deepseek-v4.1-flash-Q5_K_M.gguf
TEMPLATE """{{ .System }}
{{ .Prompt }}"""
SYSTEM "你是 DeepSeek V4.1-Flash，由深度求索训练的 AI 助手。"
PARAMETER stop "<|im_end|>"
PARAMETER num_ctx 131072
EOF
# 3. 导入并运行
ollama create v41f -f Modelfile
ollama run v41f

B. vLLM 跑 FP8 原生权重（推荐有 H100/H200 集群的团队，按 vLLM v0.28 的 DeepSeek V4 优化路径）：

vllm serve deepseek-ai/DeepSeek-V4.1-Flash \
  --tensor-parallel-size 4 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.9 \
  --enable-prefix-caching

vllm serve deepseek-ai/DeepSeek-V4.1-Flash \
  --tensor-parallel-size 4 \
  --max-model-len 32768 \
  --gpu-memory-utilization 0.9 \
  --enable-prefix-caching

C. SGLang：

python -m sglang.launch_server \
  --model-path deepseek-ai/DeepSeek-V4.1-Flash \
  --host 0.0.0.0 --port 30000

python -m sglang.launch_server \
  --model-path deepseek-ai/DeepSeek-V4.1-Flash \
  --host 0.0.0.0 --port 30000

完整路径建议参考本站之前的 Ollama + LM Studio 本地部署指南 和 OpenAI gpt-oss 部署指南——那两篇里的命令改个模型名就能跑 V4.1-Flash。要提醒的是：552B 主干即使量化到 4-bit 也是百 GB 级，24GB 消费级显卡上是跑不动的，这条路实际上只对多卡集群有意义；单卡设备请直接走 API。

六、和正在跑 V4-Flash 的脚本对比成本

下面的数字来自 DeepSeek API 文档当前价目表。Off-peak 指除周一至周五 01:00-04:00 和 06:00-10:00 UTC 之外的所有时段；对中国大陆来说大部分时间是 off-peak。

如果你的应用是 Agent 类的（input 重、output 轻），用 cache + off-peak 时间跑，账单可以做到 V4-Flash 时代的一个零头。

七、踩坑提醒 + 不建议场景

踩坑 1：Ollama 官方库还没上架

前面已经说了，deepseek-flash 当前 404。需要走 Modelfile 路径或者等社区 PR，也可以直接用 vLLM / SGLang。

踩坑 2：max output 不能设到 384K

V4.1-Flash 的 max output tokens 上限是 384K（不是 1M，1M 是 context window）。官方文档标注 MAXIMUM: 384K，超过这个值会被 API 拒绝。最常见的误解就是把 1M context 当成 1M output——别这样写。

踩坑 3：thinking 模式的 token 也会计费

官方文档显示 V4.1-Flash 同时支持 thinking 与非 thinking 模式（默认 thinking）。thinking 产生的中间推理 token 是算在 completion_tokens 里的，所以同一段对话开不开 thinking，账单差别可能很大。如果你的场景不关心模型思考过程、只想要快速答案，建议在支持的模式下显式切到非 thinking（具体参数名以官方 thinking_mode 文档为准）。

踩坑 4：vision 输入要走特定字段

OpenAI 兼容端点支持图片输入，但 messages 里的 content 结构要用图片类型字段而非纯文本字段。Anthropic 兼容端点的 vision 写法又是另一套格式。两个端点混用时最容易踩这个坑。

不建议使用的场景

1. 极复杂多步环境（Terminal-Bench 4.0 这类）：V4.1-Flash 报 31.2，Opus 5 是 51.8。需要长时间跨工具推理与规划的任务，开源旗舰目前仍打不过顶级闭源旗舰
2. 24GB 消费级显卡本地跑：552B 主干量化后仍是百 GB 级，显存不够。这类硬件请直接走 API
3. 只做高频短对话：单次 token 价格算下来优势不明显，纯短对话场景和 Qwen 3.8 Max 这类模型的隐式缓存价 差异不大——V4.1-Flash 真正的优势在长上下文和 Agent 类负载
4. 把它当多模态旗舰用：官方标注 V4.1-Flash 支持 vision，但它的定位是 Flash 档（性价比线），图像理解不是它的最强项。复杂视觉任务建议保留专门的视觉模型

八、和站内已有文章的连接

把本站之前写过的几篇放在一起看，DeepSeek 这条线其实已经比较完整了：

• 8/2 的 V4-Flash 正式版指南——是 V4.1 的”前传”。如果你是 V4-Flash 用户，那篇里的缓存调优思路仍然适用
• 8/14 的 DeepSeek Harness 上手指南——Harness 是 Agent 执行框架，本文讲的是被它调用的那层模型。两篇一起读，可以拼出一个完整的”DeepSeek 工具栈”画像
• 9/9 的 MiniCPM5-2B 端侧部署——2B 与 552B 在本站的对照。本地内存紧、设备能力受限用 MiniCPM5；服务器有 GPU、要跑长上下文或 Agent 负载用 V4.1-Flash
• 6/29 的 DeepSeek DSpark 投机解码——开源推理加速器，对 V4.1-Flash 同样适用
• 8/30 的 vLLM v0.28 指南——v0.28 已经为 DeepSeek V4 做了端到端优化（端到端 Sparse MLA），V4.1-Flash 直接受益

连起来看，我的判断是：V4.1-Flash 是”参数量扩张但单 token 激活量压缩”的极端 MoE 形态——552B 主干只点 8B，把长上下文、原生视觉、MIT 开放这几件事一次性凑齐了。它和 V4-Flash 不是简单替代，而是 V4 家族换架构后的”标准化新一代”。

参考来源

• Hugging Face — DeepSeek-V4.1-Flash 模型卡
• DeepSeek API 文档 — Models & Pricing
• Reuters — China DeepSeek V4.1-Flash 报道
• Flowtivity.ai — DeepSeek V4.1 Flash Benchmarks
• AI Seng Tech Brief — 9 月 10 日开源速报