课程
面向开发者的 AI 辅助编码
1 小时 30 分钟
11.5K
到 2026 年末，前沿模型之争更多是在价格层面的“军备竞赛”，而非纯粹能力。仅在 9 月，我们就看到 OpenAI 的 GPT-6 Astra 和 Anthropic 的 Claude Fable 5.1 均定价为每百万输入标记 $10、每百万输出标记 $50，且都没有免费层可用。
DeepSeek 的应对策略则完全反其道而行。
DeepSeek V4.1 Flash 是一款 5520 亿参数的专家混合（MoE）模型，输入激活约 80 亿参数、输出激活约 160 亿参数，提供 MIT 许可的开源权重，峰值价为每百万标记 $0.30/$1.20，离峰价为 $0.15/$0.60，价格上压过其他同类 Flash 模型，如 Gemini 3.8 Flash 和 GLM-5.3-Flash。
本文将全面介绍 DeepSeek V4.1 Flash 的新变化，涵盖功能亮点与基准测试。如果您想直接看模型实操，请阅读我们的 DeepSeek V4.1 API 教程。
如需进一步了解 DeepSeek 系列，请参阅我们的指南：在 Unsloth Studio 和 OpenCode 上运行 DeepSeek-V4-Flash-0731，以及对比文章 DeepSeek v4.1 Flash vs Gemini 3.8 Flash。
要点速览
- V4.1 Flash 是 DeepSeek 新的开源权重旗舰级 Flash 模型，在成本、速度与性能上全面淘汰 V4 Pro 0813。
- MIT 许可权重加上原生图像输入，使其在该价位段成为当前能力最强的开源模型。
- 峰值价每百万标记 $0.30/$1.20，约为 GPT-6 Astra 和 Claude Fable 5.1 的三十分之一。
- 离峰价再减半，但需要作业调度才能真正拿到折扣。
- 如果您运行高吞吐的编码或推理工作负载，并且能自托管或接受峰/离峰计费，这是值得切换的选择。
DeepSeek V4.1 Flash 是什么？
DeepSeek V4.1 Flash 是 DeepSeek Flash 系列中最新的模型，定位为高效高吞吐，而非研究级重型模型。
它采用稀疏专家混合（MoE）架构，总参数量为 5520 亿，但每个标记在输入侧仅激活约 80 亿参数、在输出侧激活约 160 亿参数。稀疏激活既保持了服务成本的低位，又能在多项基准上达到前沿水平。
相较上一代，最大变化是效率。
DeepSeek 将 KV 缓存缩小到上一代 V4 Flash 的约四分之一，从而降低了内存占用，并以更低成本支持更长上下文。官方还表示，V4.1 Flash 在性能、成本、速度与总用时上全面超越旧版 V4 Pro 0813，因此后者将被逐步淘汰。
在基准方面，最亮眼的是 Terminal-Bench 2.1 的 90.6 分。我们此前测试的 DeepSeek-V4-Flash-0731 在同一基准上得分 82.7，说明 V4.1 Flash 在同系模型中对终端代理任务有了实质性提升。
DeepSeek V4.1 Flash 关键特性
V4.1 Flash 的功能围绕两大理念：成本低、对外开放。以下是对数据科学家或 ML 工程师最有用的能力点。
可自托管的开源权重
V4.1 Flash 提供 MIT 许可的权重，这是最宽松的常见许可，允许商用、再分发和微调，且无营收门槛。
对有数据隐私要求的团队而言，这意味着您可以完全在自有硬件上运行模型，而无需将请求发送至 DeepSeek API。
权衡在于，MIT 许可会把安全、微调和推理优化的责任转移给您。
我们在本地运行早期版本 V4-Flash-0731 时，在 Q8 量化下需要三张 NVIDIA A100 80GB GPU，因此仅当您有充足的 GPU 显存时，自托管才切实可行。
原生图像输入
V4.1 Flash 可直接接收图像作为输入，无需额外的视觉适配器或预处理步骤。您可以在同一请求中与文本一并传入截图、图表或文档扫描件，这对文档密集型流水线和 UI 代理工作流很实用。
在这一价位提供原生多模态输入并不常见。在带工具的 ZeroBench-main 评测中，V4.1 Flash 得分为 49.0，可作为其处理视觉推理能力的粗略参考。
缩减 KV 缓存，降低长上下文成本
V4.1 Flash 的 KV 缓存约为前代 V4 Flash 的四分之一，降低了服务会话中维持长上下文的内存成本。
对持续在线推理而言，更小的 KV 缓存意味着每块 GPU 可承载更多并发会话，或单请求更低的内存开销。
叠加峰值时缓存命中输入每百万标记 $0.006 的定价，使上下文复用极为便宜。如果您在请求间反复发送相同的系统提示或文档，被缓存的部分几乎不花钱。
峰值与离峰定价模式
DeepSeek 采用双层定价：离峰价为峰值价的一半，意在将批处理和计划任务推入离峰时段。若能把握时机，$0.30/$1.20 可降至每百万标记 $0.15/$0.60。
但运营层面需注意：持续在线的工作负载会更难以成本预测，而要拿到折扣，您需要自建并维护作业调度逻辑。
DeepSeek V4.1 Flash 的基准表现如何？
V4.1 Flash 在代理与推理类基准上的表现最强，以极低的标记成本触及前沿附近的分数。
在最难的代理评测上分数会明显下滑，这一点在投向长周期任务前需要知悉。
编码与代理工作流
V4.1 Flash 在 Terminal-Bench 2.1 上得分 90.6，衡量的是模型在终端环境中完成多步任务的能力。
作对比，我们测试的 DeepSeek-V4-Flash-0731 在同一基准上得分 82.7，而 GPT-5.6 Terra 在我们的 Terra vs. Sonnet 5 对比中达到了 87.4。
在更难的代理评测上，情况有所变化。
V4.1 Flash 在 Terminal-Bench 3.0 上降至 30.0 分，说明它能很好地处理标准终端任务，但在更严苛的代理评测套件上会吃力。其 3471 的 Codeforces 评级则表明具备较强的竞技编程能力。
推理与知识任务
在 GPQA Diamond 上（这是一组研究生水平的科学问题，旨在难以仅凭记忆作答），V4.1 Flash 得分 90.9。
对该价位段的模型而言，这是一个强势结果，使其有资格与价格高得多的前沿模型同台讨论。
在 Humanity's Last Exam（HLE，这是一项刻意严苛的专家级基准）上，V4.1 Flash 得分 36.8，带星配置为 39.1。
作比较，在面向科学代理的评测如 Terminal-Bench-Science 0.1 中，Claude Fable 5.1 面对更强对手拿到 52.6% 的成绩。因此，V4.1 Flash 并非最难专家评测的领跑者，但表现也不失体面。
数学推理
V4.1 Flash 在 MathArena Apex（奖励多步符号推理的竞赛数学基准）上得分 65.6。
这是该模型的强项之一，表明其适合定量分析和偏数学的工作负载。
在这里拿到 60 多分对需要可靠算术与代数推理的工具尤为重要，因为许多更便宜的模型正是倒在这些任务上。
应选择哪个使用层级？
这里的抉择与其说是模型变体，不如说是 V4.1 Flash 的部署方式，因为同一权重有三种运行路径。您的选择取决于成本可预测性、数据隐私，以及是否能够安排作业调度。
DeepSeek 也在推进迁移期：自 2026 年 9 月 14 日北京时间 12:00 起，直至 V4.1 Pro 发布前，旧版端点的请求会被重定向，推动现有用户转向 V4.1 系列。如果您仍在使用 V4 Pro 0813，该模型将被逐步下线，请尽快规划迁移至 V4.1 Flash。
| 使用场景 | 推荐路径 | 原因 |
|---|---|---|
| 高吞吐、持续在线的编码代理 | 官方 API，峰值计价 | 每百万标记 $0.30/$1.20 已远低于前沿对手；无需调度开销 |
| 大批量推理或数学作业 | 官方 API，离峰 | 离峰可将费率减半至每百万 $0.15/$0.60，前提是能调度运行 |
| 敏感或专有数据 | 自托管 MIT 权重 | 推理留在自有硬件；需充足 GPU 显存 |
| 大量上下文复用 | 支持提示缓存的 API | 缓存命中输入每百万 $0.006，让重复上下文几乎免费 |
DeepSeek V4.1 Flash 的定价与可用性
V4.1 Flash 是当前能力与价格兼顾最好的模型之一，尤其在离峰时段。以下是标记计费的拆分。
| 费率 | 峰值 | 离峰 |
|---|---|---|
| 每百万标记的输入 | $0.30 | $0.15 |
| 每百万标记的输出 | $1.20 | $0.60 |
| 每百万标记的缓存命中输入 | $0.006 | 未公布 |
离峰价设为峰值的一半，旨在将批量与计划作业引导至离峰窗口。
以峰值价为参照，GPT-6 Astra 与 Claude Fable 5.1 的定价均为每百万输入 $10、输出 $50，V4.1 Flash 在峰值下输入约便宜 30 倍、输出约便宜 40 倍。
正被淘汰的 V4 Pro 0813，在 100 万标记上下文下，定价为每百万输入 $0.435、输出 $0.87。
鉴于 DeepSeek 声称 V4.1 Flash 在性能、成本与速度上均超越 V4 Pro，继续停留在旧模型已无太大意义。
V4.1 Flash 可通过官方 DeepSeek API 使用，其 MIT 许可权重也已发布，便于自托管。
自 2026 年 9 月 14 日起，旧端点请求将被重定向至 V4.1 系列，直至 V4.1 Pro 上线。
如何获取 DeepSeek V4.1 Flash 的使用权限？
V4.1 Flash 同时提供 API 模型与开源权重两种方式，您可以通过两条路径使用。
在 API 侧，模型 ID 通常标注为 deepseek-flash，端点与 OpenAI 兼容，这意味着多数现有 OpenAI 客户端代码只需更改 base URL 即可复用。
from openai import OpenAI
client = OpenAI(
api_key="YOUR_DEEPSEEK_KEY",
base_url="https://api.deepseek.com",
)
response = client.chat.completions.create(
model="deepseek-flash",
messages=[{"role": "user", "content": "Refactor this function..."}],
)
print(response.choices.message.content)若要自托管，MIT 许可权重允许商用、再分发与微调，且无营收门槛。
我们此前在本地结合 Unsloth Studio 运行 V4-Flash-0731，于 Q8 量化下需要三张 NVIDIA A100 80GB GPU；如用全精度，请预估相近级别的硬件预算。
完整的本地指南请参阅教程：使用 Unsloth Studio 和 OpenCode 运行 DeepSeek-V4-Flash，涵盖 GPU 分布与推理配置等细节。
结语
当其他前沿模型的价格攀升至每百万标记 $10/$50，且把访问锁在付费层后，V4.1 Flash 则在价格与开放性上给出了明确立场。
一款 5520 亿参数的 MoE 模型，配备 MIT 权重、原生图像输入、GPQA Diamond 90.9 分，且峰值价较 GPT-6 Astra 低 30 倍，对高吞吐工作负载而言是颇具诚意的选择。
如果做编码代理与批量推理任务，尤其能安排离峰调度，我会选择切换。
不足之处在于其在 Terminal-Bench 3.0 上仅 30.0 分，显示在最难的代理任务上不够稳定；而峰/离峰计费也会引入您需要承担的调度工作。
如您希望围绕此类模型构建代理工作流，可从我们的 AI Agent Fundamentals 技能路径开始。