DeepSeek V4.1 几个快速结论（0910）@华泰计算机 0）Agent、Coding 能力继续提升，这个没啥好说的，核心方向没变。总参数 552B，介
- 序号：158
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
DeepSeek V4.1 几个快速结论（0910）@华泰计算机
0）Agent、Coding 能力继续提升，这个没啥好说的，核心方向没变。总参数 552B，介于前代Flash和Pro之间。 后续还有新的Pro版本。
1）架构上大变化！由于 Agent 是模型优化的核心方向，其典型 workload 是“输入多、增量输出相对少”，因此 Prefill 和 KV Cache 成为推理成本的重要瓶颈。DeepSeek V4.1 为此重新用上了 古法Encoder-Decoder，但做成了非对称的 Causal Encoder-Decoder：Encoder 主要负责输入侧 Prefill，Decoder 负责后续 Decode，并结合 KV 复用、压缩及部分状态重算，将 HBM KV Cache 需求降至上一代约 1/4、SSD 需求降至约 1/8。
2）从更大的技术趋势看，和此前 GPT-6 所传 Loop Transformer 有一些共同思路：模型正在更多地在 compute、参数和存储之间做资源交换，优化KV Cache， 用更多计算换取性能。
3）有 Paper，晚点学， 学完再汇报。
总体总结
主题正文
- DeepSeek V4.1 几个快速结论（0910）@华泰计算机
- 0）Agent、Coding 能力继续提升，这个没啥好说的，核心方向没变。
- 总参数 552B，介于前代Flash和Pro之间。
- 1）架构上大变化！
- 由于 Agent 是模型优化的核心方向，其典型 workload 是“输入多、增量输出相对少”，因此 Prefill 和 KV Cache 成为推理成本的重要瓶颈。
- DeepSeek V4.1 为此重新用上了 古法Encoder-Decoder，但做成了非对称的 Causal Encoder-Decoder：Encoder 主要负责输入侧 Prefill，Decoder 负责后续 Decode，并结合 KV 复用、压缩及部分状态重算，将 HBM KV Cache 需求降至上一代约 1/4、SSD 需求降至约 1/8。
- 2）从更大的技术趋势看，和此前 GPT-6 所传 Loop Transformer 有一些共同思路：模型正在更多地在 compute、参数和存储之间做资源交换，优化KV Cache， 用更多计算换取性能。
- 3）有 Paper，晚点学， 学完再汇报。