--- title: "【申万计算机】大模型0260910：DeepSeek V4.1 Flash发布，全球大模型竞争进入架构分化期 近期重要讨论：1）【DeepSeek V4.1 F" topic_id: 55521182148245514 created_at: 2026-09-10T20:03:02.887+0800 source: zsxq type: topic cssclasses: zsxq-vault --- # 【申万计算机】大模型0260910：DeepSeek V4.1 Flash发布，全球大模型竞争进入架构分化期 近期重要讨论：1）【DeepSeek V4.1 F - 序号：176 - 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/55521182148245514) - 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 【申万计算机】大模型0260910：DeepSeek V4.1 Flash发布，全球大模型竞争进入架构分化期 近期重要讨论：1）【DeepSeek V4.1 Flash】正式落地，国产模型开始推进新一代基座架构；2）市场对【OpenAI Astra循环深度架构】的讨论升温，海外旗舰模型可能将更多能力沉淀于内部计算过程。 共同指向一个产业趋势：模型架构差异扩大，依靠黑盒蒸馏快速追赶的难度或将上升。 一、DeepSeek发布V4.1 Flash [礼物]DeepSeek V4.1 Flash为全新架构系列中的最小型号，采用552B参数MoE架构，具备原生多模态能力，输入/输出分别激活8B/16B参数。 新模型扩大预训练及强化学习规模，性能、费用、速度和任务总用时等综合指标均超过上一代V4 Pro。 Agent与Coding能力进入第一梯队 [礼物]DeepSWE v1.1达到74.2%，高于GPT-5.6 Sol的73.0%和Claude Opus 5的74.0%；CyberGym达到88.1%，高于Sol和Opus 5的84.5%；Automation-Bench达到54.8%，领先Opus 5的50.3%和Sol的45.8%。 [礼物]部分高难度终端任务仍有提升空间，Terminal-Bench 4.0为31.2%，低于Sol的39.9%和Opus 5的51.8%。 【新架构】核心是给Agent减负 [礼物]Agent任务通常输入量大、增量输出相对较少，Prefill和KV Cache逐渐成为成本瓶颈。V4.1 Flash采用Causal-Encoder-Decoder架构，由Encoder负责输入理解与Prefill，Decoder负责后续自回归生成，并新架构将HBM KV Cache需求降至上一代的约1/4，SSD需求降至约1/8；单Token KV Cache由DeepSeek V1的389,120字节降至890字节，累计压缩约437倍。 二、Astra循环深度架构的探讨 [礼物]OpenAI Astra或有限采用循环深度设计，通过重复调用部分Transformer层增加有效计算深度，使模型能够根据任务难度动态分配内部计算。 [礼物]这一设计可能减少对显式推理Token的依赖，使更多推理发生在隐藏状态中。模型对外输出更精简，内部计算过程的重要性进一步提升。 【可能影响是模型蒸馏门槛变高】隐藏cot可能使得student模型难从输出样本中复现完整推理机制从而增加蒸馏难度。且随着架构差异扩大，同等规模蒸馏数据对应的能力迁移效率或下降。 国产模型或加快底层技术创新 [礼物]DeepSeek的非对称Encoder-Decoder与Astra的循环深度均体现头部模型开始重新设计计算路径、隐藏状态和推理资源分配。 [礼物]海外旗舰模型架构逐渐走向黑盒化和差异化，国产厂商需要同步提升自主预训练、基座架构、强化学习及Agent环境反馈能力。DeepSeek此次切换新架构，反映国产模型的创新范围已由后训练优化延伸至底层基座。 三、模型降价推动Agent应用规模化 [礼物]V4.1 Flash高峰期缓存命中输入、缓存未命中输入及输出价格分别为0.04、2、8元/百万Token，闲时价格减半。 [礼物]模型架构优化持续降低单任务成本，有望推动Agent调用频次、并发量和推理Token需求增长。 [玫瑰]持续看好国产大模型自主创新，以及国产算力、推理基础设施和Agent应用产业链，详情欢迎联系！ ## 总体总结 主题正文 1. [礼物]DeepSeek V4.1 Flash为全新架构系列中的最小型号，采用552B参数MoE架构，具备原生多模态能力，输入/输出分别激活8B/16B参数。 2. [礼物]DeepSWE v1.1达到74.2%，高于GPT-5.6 Sol的73.0%和Claude Opus 5的74.0%； 3. [礼物]部分高难度终端任务仍有提升空间，Terminal-Bench 4.0为31.2%，低于Sol的39.9%和Opus 5的51.8%。 4. V4.1 Flash采用Causal-Encoder-Decoder架构，由Encoder负责输入理解与Prefill，Decoder负责后续自回归生成，并新架构将HBM KV Cache需求降至上一代的约1/4，SSD需求降至约1/8； 5. [礼物]OpenAI Astra或有限采用循环深度设计，通过重复调用部分Transformer层增加有效计算深度，使模型能够根据任务难度动态分配内部计算。 6. 【可能影响是模型蒸馏门槛变高】隐藏cot可能使得student模型难从输出样本中复现完整推理机制从而增加蒸馏难度。 7. [礼物]V4.1 Flash高峰期缓存命中输入、缓存未命中输入及输出价格分别为0.04、2、8元/百万Token，闲时价格减半。 8. [礼物]模型架构优化持续降低单任务成本，有望推动Agent调用频次、并发量和推理Token需求增长。