DeepSeek-V4.1-Flash 发布：百万上下文、FP4 KV 缓存与跨层注意力复用意味着什么

DeepSeek 在 9 月 10 日公布了多模态 MoE 模型 DeepSeek-V4.1-Flash，主干参数 552B、独立的 Engram 模块 196B、上下文窗口放到 1M，prefill 阶段激活 8B 参数、decode 阶段激活 16B。

这组数字放在一起看，重点其实只有一个：在不显著增加推理算力的前提下，把可塞进模型的上下文拉到百万 token 量级。

真正变化在哪：KV 缓存被砍到 890 字节

和 V4-Flash 相比，全局 KV 缓存被压到每 token 890 字节，约为前者的 1/4，也只是 V1 的 1/437。这里同时用到了三个手段：FP4 量化让缓存本身变小，跨层注意力复用（CLA Reuse）让相邻层的注意力图可以共享存储，而 Engram 这一独立模块把固定模式的记忆成本从主路径里挪出来，结果就是长文本推理不再被显存卡死。

对中文用户来说，这意味着同一张卡能跑的对话轮数和单文档长度会明显上台阶，配合 1M token 窗口，做整本技术手册、长合同审阅或多轮带图问答都将更接近“能用”而不是“勉强能跑”。

与 V4-Flash 的差异：不是单纯升级，而是分工

从 MoE 结构和参数规模看，V4.1-Flash 并不是要替代 V4-Flash，而是承担更偏长文本、多模态的推理角色。V4 系列更短更便宜，V4.1-Flash 更长、更吃上下文但单 token 成本更低。两者会长期共存，开发者真正要决定的是“今天这个任务是窗口大重要，还是绝对速度重要”。

对开发者和企业的实际影响

推理侧的最直接收益是 TCO：单 token 显存占用下降后，并发数和吞吐都会上去，长上下文任务的单价会随之下移。对企业客户，这意味着在合同分析、代码库全量检索、RAG 大文档场景中，原来咬不动或要拆段的流程可以一次性塞进去。

对创作者和独立开发者，利好是本地化部署的门槛下降。以 8B 级激活推理配合更小的 KV 缓存，理论上能让消费级显卡承担更长、更多轮的任务；只要生态把对应的推理框架（vLLM、SGLang、TensorRT-LLM 这类）补齐，效果就能立竿见影。

中文场景里值得关注的方向

一是教育和办公：百万上下文 + 多模态，配合中文长 PDF 解析、长会议记录和教材整本阅读，是用户最容易感知的场景；二是国产芯片与端侧推理：低 KV 缓存对显存带宽要求更友好，对国产 GPU 与端侧 NPU 都更友好，能跑多长、有多便宜，是接下来半年观察的焦点；

三是 API 价格策略：成本下降会不会反映在按 token 计费上，是开发者真正的“价格信号”。

还不能下结论的地方

官方目前公布的是结构与缓存指标，还没放出完整的 benchmark、第三方评测和价格表。1M 上下文在多数业务里实际可用比例、跨层注意力复用对不同任务的性能影响、Engram 模块是否对外暴露细粒度 API，都还需要等开源版本和社区复现。

对关心长上下文和推理成本的中文用户来说，先关注的不是榜单分数，而是显存占用和单价——这两项决定了它能不能进入你下一个项目。

后续观察

接下来值得跟踪三件事：开源权重是否真正放出、社区推理栈的适配速度、以及 DeepSeek 自家 API 价格的调整窗口。任何一项落地，都会直接影响中文开发者的工具选型。