DeepSeek V4.1 Flash 解析：552B MoE 只要 2 元/百万，缓存命中更是低到 0.04 元

DeepSeek V4.1 Flash 在 9 月 10 日发布，很快就成了 Agent 开发圈的话题：效果不错、价格便宜。我上篇写过 OpenAI 和 Claude 的缓存原理，这次正好把 DeepSeek 的补上——V4.1 Flash 的缓存命中价格低到 0.04 元/百万 token，比未命中便宜 50 倍，这个数字对 Agent 开发者意味着什么？

这篇文章从三部分拆：V4.1 Flash 本身（架构、性能、定位）、DeepSeek 缓存怎么实现（硬盘缓存、三种落盘方式）、以及 API 里怎么用、命中机制是什么。

本文 outline

1. V4.1 Flash 是什么：552B MoE，非对称架构
2. 性能与定位：超越 V4 Pro，V4 Pro 即将下线
3. 定价：峰谷定价 + 缓存命中便宜 50 倍
4. 缓存怎么实现：KV Cache 压缩 + 硬盘缓存
5. 缓存命中机制：三种落盘方式 + 前缀单元完整匹配
6. API 里怎么用：一个例子看懂多轮对话缓存
7. 与 OpenAI / Claude 缓存对比
8. 对 Agent 开发者的意义

1. V4.1 Flash 是什么：552B MoE，非对称架构

先看硬参数。DeepSeek V4.1 Flash 是全新模型结构系列中最小尺寸的模型，但"最小"不代表小：

• 552B 参数 MoE 模型（混合专家）
• Causal-Encoder-Decoder 非对称结构：输入和输出不对称——输入激活只有 8B，输出激活 16B
• 原生多模态视觉理解
• 上下文 1M token，最大输出 384K
• 支持思考模式与非思考模式（默认）

"输入激活 8B / 输出激活 16B"是理解它便宜的关键。MoE 模型不是所有参数都激活，每次推理只激活一部分。V4.1 Flash 只激活 8B 处理输入、16B 生成输出——成本显著低于已知的同尺寸模型。这是它"小成本大智能"的架构基础。

配合新的预训练方式和更大规模的强化学习后训练，官方声称它在基准测试中超越了包括 DeepSeek V4 Pro 在内的一众旗舰模型的智能水平。

2. 性能与定位：超越 V4 Pro，V4 Pro 即将下线

官方把 V4.1 Flash 定义为"小尺寸模型"，但实测它在性能、费用、速度、总用时各项指标上全面超越 V4 Pro。因此 DeepSeek 计划有序下线 V4 Pro：

• 2026 年 9 月 14 日 12:00 之后，deepseek-v4-pro 的请求全部路由到 V4.1 Flash，并按 V4.1 Flash 单价计费
• 但定价文档的脚注又更新了：为响应需求，V4 Pro 的 API 调用服务在 9 月 14 日后继续提供，计费方式不变（模型名 deepseek-v4-pro 仍可用，对应 DeepSeek-V4-Pro-0813 版本）

旧模型名的兼容：deepseek-v4-flash、deepseek-v4-flash-vision-exp 已下线，但为兼容会路由到 V4.1 Flash。新模型名统一用 deepseek-flash。

官方合作伙伴：WorkBuddy（含 CodeBuddy）和 OpenCode 已全量接入。模型开源（Hugging Face + 技术报告），支持 2k 卡 GPU 的大规模部署需求。

3. 定价：峰谷定价 + 缓存命中便宜 50 倍

V4.1 Flash 的价格（每百万 token，人民币），分高峰/空闲两档：

计费项	空闲时段	高峰时段
输入（缓存命中）	0.02 元	0.04 元
输入（缓存未命中）	1 元	2 元
输出	4 元	8 元

• 高峰时段：周一至周五 9:00-12:00、14:00-18:00（北京时间）
• 空闲时段价格为高峰的一半
• 缓存命中比未命中便宜 50 倍（高峰 0.04 vs 2 元）

对比一下 V4 Pro（V4-Pro-0813）：输入未命中高峰 9 元、缓存命中 0.30 元、输出 27 元。V4.1 Flash 的输入价格只有 V4 Pro 的约 1/4.5。

这个价格结构对 Agent 开发者的意义巨大：Agent 场景里输入 token 是绝对大头（每次调用都要重发 system prompt + 历史对话），而输入里大部分是重复的（缓存命中）。所以实际成本取决于你的缓存命中率——这也是这篇文章的重点。

4. 缓存怎么实现：KV Cache 压缩 + 硬盘缓存

DeepSeek 的缓存分两层理解。

第一层：KV Cache 本身的压缩（模型侧）。公告里说"更少缓存，更省成本"——V4.1 Flash 大幅减少了 KV Cache 的大小：

• 对 HBM（显存）的需求减少到上一代的 1/4
• 对 SSD 的需求减少到 1/8
• 相对于初代模型，KV Cache 已经缩小了 437 倍

KV Cache 就是 Transformer 推理时缓存的注意力键值对（我在 OpenAI/Claude 缓存那篇讲过）。KV Cache 越小，同样的显存能装下越长的上下文，推理越快、越便宜。DeepSeek 的 Sliding Window Attention（滑动窗口注意力）机制和 KV 压缩技术是这一切的基础。

第二层：上下文硬盘缓存（API 侧）。这是 DeepSeek API 独有的设计——把重复的内容缓存在分布式硬盘阵列中，而不是像 OpenAI/Claude 那样存在内存里。官方 2024 年 8 月就上线了这个功能，当时"缓存命中 0.1 元/百万 token，价格降低一个数量级"。

硬盘缓存和内存缓存的关键差异：容量大得多、成本低得多，但读写慢。这对多轮对话 Agent 特别合适——历史对话可以长期存在硬盘里，下次调用直接读取，不用重新计算。

5. 缓存命中机制：三种落盘方式 + 前缀单元完整匹配

这是 DeepSeek 缓存最特别的地方，也是理解命中的关键。它默认对所有用户开启，无需修改代码。每个请求都会触发硬盘缓存构建。

核心规则：每条缓存前缀是一个独立的完整单元（缓存前缀单元），后续请求只有完整匹配它才能命中。

三种落盘方式：

① 请求结束位置落盘。每次请求的"用户输入结束位置"和"模型输出结束位置"，会产生两个缓存前缀单元。后续请求若完整匹配它们则可命中。

② 公共前缀检测落盘。系统检测到多次请求之间存在公共前缀时，把公共前缀作为独立单元落盘。后续请求完整复用即可命中。

③ 固定 token 间隔落盘。长输入/长输出中，按一定 token 间隔截取缓存前缀单元，避免长前缀因迟迟达不到结束位置而完全无法缓存。

受 Sliding Window Attention 机制影响，缓存前缀的存取与判别和普通 attention 不同——每个单元是完整的独立块，不能部分匹配。

看官方给的例子理解完整匹配规则：

例一（多轮对话，可命中）：

• 第一轮：system + "中国首都是哪里？"
• 第二轮：system + "中国首都是哪里？" + assistant"北京" + "美国首都是哪里？"

第二轮能完整匹配第一轮的缓存前缀单元，A + B 部分命中。

例二（部分改动，靠公共前缀）：

• 第一轮：A + B
• 第二轮：A + C —— 不能完整匹配 A+B，不命中；但系统识别公共前缀 A 落盘
• 第三轮：A + D —— 完整匹配 A，命中 A 部分

这解释了为什么 DeepSeek 缓存对"多轮对话"特别有效（每轮完整复用历史），但对"每次修改 system prompt 的请求"效果有限（改了就不完整匹配）。

6. API 里怎么用：一个例子看懂多轮对话缓存

DeepSeek API 完全兼容 OpenAI 格式（base_url https://api.deepseek.com ，也支持 Anthropic 格式 /anthropic）。模型名用 deepseek-flash。

from openai import OpenAI

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

# 第一轮：system + 问题（会落盘，建立缓存前缀单元）
resp1 = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {"role": "system", "content": "你是乐于助人的助手"},
        {"role": "user", "content": "中国的首都是哪里？"},
    ],
)

# 第二轮：完整复用第一轮 + 追加新内容（历史部分命中缓存）
resp2 = client.chat.completions.create(
    model="deepseek-flash",
    messages=[
        {"role": "system", "content": "你是乐于助人的助手"},
        {"role": "user", "content": "中国的首都是哪里？"},
        {"role": "assistant", "content": resp1.choices[0].message.content},
        {"role": "user", "content": "美国的首都是哪里？"},
    ],
)

第二轮请求的 system + 第一轮对话 部分完整匹配第一轮的缓存前缀单元 → 命中，按 0.04 元/百万计费（高峰），只有新增的"美国首都是哪里？"按未命中 2 元计。

API 里没有任何缓存参数——缓存是自动的、默认开启的。你唯一要做的，是保持 messages 数组的历史部分不变、只追加（就像我上一篇写 OpenAI 缓存时强调的"稳定前缀"原则）。任何对历史消息的修改、重排、裁剪都会破坏前缀单元，导致命中失败。

响应的 usage 字段可以查看缓存情况（DeepSeek 在 usage.prompt_cache_hit_tokens / prompt_cache_miss_tokens 中报告命中/未命中的 token 数）。

7. 与 OpenAI / Claude 缓存对比

维度	DeepSeek	OpenAI	Claude
开启方式	自动，默认开启	自动	手动 cache_control
存储介质	硬盘缓存	内存	内存
缓存单元	完整前缀单元	连续前缀	断点前内容
命中判定	完整匹配单元	前缀逐字节一致	断点前一致
命中折扣	50 倍（0.04 vs 2 元）	2-10 倍	10 倍（读 0.1x）
TTL	硬盘持久	5-10 分钟	5 分钟/1 小时
手动控制	无	无	有

几个关键差异：

• DeepSeek 的折扣最深：50 倍 vs OpenAI 的 90%（gpt-5 档）vs Claude 的 10 倍。但 DeepSeek 基数就低（2 元 vs GPT-5 的 $1.25≈9 元），所以绝对价格最低
• DeepSeek 是硬盘缓存：容量大、持久，适合长期会话；OpenAI/Claude 是内存，5-10 分钟 TTL
• DeepSeek 无手动控制：和 OpenAI 一样全自动，Claude 是唯一能手动打断点的
• 命中判定都要求"完整前缀"：这是三家共通的铁律——改动前缀就 miss

8. 对 Agent 开发者的意义

把 V4.1 Flash 和它的缓存机制放在一起看，对 Agent 开发者的实际意义很清楚：

1. 成本结构变了。输入 2 元/百万 + 输出 8 元/百万，配合 50 倍的缓存命中折扣，一个多轮对话 Agent 的边际成本可以低到接近"只需为新内容付费"。这是目前主流模型里，规模化跑 Agent 的最便宜选项之一。

2. 缓存命中率是省钱的开关。同样跑一个 Agent，命中率 90% 和 20% 的成本可能差 4-5 倍。提升命中率的方法我在前面讲过：system prompt 固定、历史只追加、避免时间戳等动态内容混入前缀。DeepSeek 的"完整前缀单元"规则让这一点更加严格——不能部分命中。

3. 峰谷定价是新的优化维度。把批量任务排到非高峰时段（非工作日 9-18 点），直接省一半。对可异步执行的 Agent 任务，这是白捡的成本。

4. V4 Pro 的退出信号。DeepSeek 明确说 V4.1 Flash 全面超越 V4 Pro 并计划下线——这传递的信号是：Flash 档不再是"小模型妥协"，而是新一代架构的主力。Causal-Encoder-Decoder 非对称结构的 8B/16B 激活，让"小激活 + 大参数"成为新范式。

对想低成本规模化 Agent 的团队，DeepSeek V4.1 Flash + 硬盘缓存的组合，是目前性价比最极端的方案之一——尤其当你的任务是多轮对话、长上下文、可异步执行时。唯一要留意的：缓存是"完整前缀单元"匹配，请务必保持历史 messages 的稳定性。

参考

• DeepSeek V4.1 Flash 发布公告 — 架构、性能、KV Cache 压缩
• DeepSeek API 模型 & 价格 — 峰谷定价、缓存命中价
• 上下文硬盘缓存指南 — 三种落盘方式、命中规则
• API 上线硬盘缓存新闻 — 2024 年 8 月上线，价格降一个数量级
• DeepSeek API 首次调用 — OpenAI 兼容调用
• 前篇：OpenAI 和 Claude 的 API 缓存原理 — 三家中另两家的缓存机制

---

作者: itech001 来源: 公众号：AI人工智能时代(the-ai-era) 网站: https://www.theaiera.top/ 关注每日最新AI新闻和技术博客，主页有更多的文章的AI 技术参考：https://www.theaiera.top

关注公众号，获取更多 AI 技术干货！