DeepSeek又整活了！V4.1 Flash实测：原生多模态+缓存砍437倍，Agent跑一晚几块钱

说实话，我对 DeepSeek 上个月那波涨价早有意见了。8月13日 V4 Pro 上线，峰谷一拉开，高峰时段价格直接翻倍，不少开发者的账单当场涨了三倍。那段时间圈子里全是”用不起、求平替”的哀嚎，连我司写代码的同事都把主力换成了别的模型。

结果呢？9月10日，DeepSeek 反手甩出 V4.1 Flash。这玩意儿不光能力全面超过 V4 Pro，还把价格砍回了原点。我把刚转到别家的同事都看愣了。这篇文章不吹不黑，只讲一件事：V4.1 Flash 到底新在哪，以及你手上的 Agent 怎么把成本算明白。

如果你之前读过我写的 V4-Flash 上手和 V4-Flash 的 Agent 能力，今天这篇就是它的进阶实测。老读者直接跳到第三章。

先搞清楚：V4.1 Flash 和你用过的 V4 Flash 差在哪

别看名字只差个 “.1″，这俩根本不是一回事。

V4 Flash 本质上是纯文本模型，看图片得靠外挂的 Vision-Exp 实验版，等于你维护两套模型：一个管文字，一个管图。V4.1 Flash 是原生多模态，图文从基座层面就融在一起了，不再有”视觉模块”这个外挂件。

架构上也换了血。它是 552B 参数的 MoE 模型，用了全新的 Causal-Encoder-Decoder 结构，输入和输出不对称：输入只激活 8B，输出激活 16B。翻译成人话，就是进来的便宜、出去的也不贵，成本显著低于同尺寸模型。

一句话总结：以前你要为图文分两个 endpoint 操心，现在一个 deepseek-flash 全包了。

缓存砍了 437 倍，这才是省钱的真内核

我第一个注意到的是 KV Cache。官方给了一组数据：每 token 的全局 KV Cache，V4-Flash 是 3514 字节，V4.1 Flash 直接干到 890 字节。相对初代模型，整体缩小了 437 倍。

这有什么用？对 HBM 显存的需求降到上一代的四分之一，对 SSD 的需求降到八分之一。更重要的是，在 Agent 任务里，缓存命中的费用往往占大头。你把相同的 system prompt、相同的上下文前缀喂进去，模型命中缓存后，输入价格能低到原来的零头。

重点来了：缓存压缩得越狠，缓存命中时的单价优势越夸张。所以”怎么让缓存命中”比”选哪个模型”更影响你的账单。后面第五章专门算这笔账。

实测：V4.1 Flash 高速推理管线示意

实测：速度到底快多少

光说架构没意思，看实测。首日拿到内测资格的开发者反馈，V4.1 Flash 的生成速度稳定在每秒 280 到 500 token，峰值冲过 500。对比 V4 Flash Vision-Exp，长上下文检索快了约 5 倍，SVG 代码生成快了约 6 倍。

我自己的体感：同样让它写一个带图表的 HTML 报告，V4 Flash 要一分多钟，V4.1 Flash 二三十秒出活。端到端提效大约 5 到 6 倍，这还是保守说。

速度和省钱是一枚硬币。它吐字快，你等得短，单位时间完成的任务更多。但注意，下面踩坑章节会告诉你，快也可能是个陷阱。

场景化教程：三步把 V4.1 Flash 接进你的 Agent

痛点很明确：多模态 Agent 最烦的就是维护两套模型。下面这套我验证过，照抄就能跑。

第一步，base_url 不动，把 model 改成 deepseek-flash。这个名称现在指向最新的 V4.1 Flash。老的 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 暂时还会路由过去，但别依赖，它们迟早下线。

# 聊天调用示例（OpenAI 兼容格式）
from openai import OpenAI
client = OpenAI(api_key=”你的key”, base_url=”https://api.deepseek.com”)
resp = client.chat.completions.create(
model=”deepseek-flash”, # 指向 V4.1 Flash
messages=[
{“role”:”user”,”content”:[
{“type”:”image_url”,”image_url”:{“url”:”https://xxx/chart.png”}},
{“type”:”text”,”text”:”这张图里的趋势说明什么？”}
]}
]
)

第二步，多模态输入走标准的 image_url 字段，不用再拼视觉模型的专用接口。一张图加一段文字，模型自己就能看懂。

第三步，如果你用 WorkBuddy 或 CodeBuddy，它们已经全量接入 V4.1 Flash，连 key 都不用换，直接在模型列表里选就行。

提效数据：原来维护文本模型加视觉模型两套 endpoint，现在一个 endpoint 顶俩，显存占用只有原来的八分之一，部署成本直接砍下来。

峰谷定价与缓存命中成本示意