DeepSeek V4.1 Flash实测：单价降60%，总花费为何反涨36%

全面超越？先把参数摆清楚

DeepSeek^广告 在 9 月 10 号发布了 V4.1 Flash，官方给出的定调是四个字——「全面超越」，超越对象是自家旗舰 V4 Pro。但当你把官方那张成绩表逐行读完，会发现宣传口径和实测数据之间，藏着比数据本身更值得玩味的信息。

先把技术底座讲明白。V4.1 Flash 总参数 552B，是一个混合专家（MoE）模型，采用了全新的因果编码器-解码器结构，最大的特点是输入和输出不对称：读入时只激活 80 亿参数，输出时激活 160 亿参数。

这种不对称结构的逻辑很清晰。Agent 类任务的 token 结构天然极度倾斜——几万 token 的上下文和工具返回喂进去，换出来可能只有几百 token 的输出。既然大部分算力花在「听」上，那就把输入侧的激活压到最低，等到真正「发言」时再火力全开。DeepSeek 赌的就是这个token分布规律，而这个赌注在 Agent 场景里相当合理。

混合专家模型（MoE，Mixture of Experts）是一种稀疏激活的神经网络架构。与传统的稠密模型（每次推理都跑完所有参数）不同，MoE 模型将参数切分成多个「专家」子网络，每次推理只由一个路由器选出少数专家参与计算。这样做的好处是：模型的总参数量可以做得很大（提升知识容量），但单次推理的实际计算量只涉及被激活的那部分参数，从而大幅降低算力需求和推理延迟。V4.1 Flash 总参数 552B，但实际激活量只有 80B（读入）到 160B（输出），这正是 MoE 架构的典型体现。理解这个机制是读懂本文所有性能与成本数字的前提——「552B 模型」和「80B 激活」并不矛盾，前者是容量，后者是推理时的真实开销。

缓存压缩的数字陷阱

这一代缓存压缩确实很凶，但社区转述里有个常见的误读需要澄清。

很多人说「这代缓存缩小了 437 倍」，这话本身没错，但基准被偷换了——437 倍是相对初代模型而言，不是相对上一代。相对上一代，官方的真实口径是：对高带宽显存的需求降到四分之一，对固态硬盘的需求降到八分之一。

这三个数字（437 倍、1/4、1/8）的基准完全不同。如果你看到有人把它们并列着一起说，基本可以判断这个人没有看过官方原图。

价格方面，从 9 月 10 号中午 12 点起，缓存命中的输入降到每百万 token 两分钱，未命中是一块，输出四块。缓存命中这一项直接砍了 60%。但要注意这是闲时价，高峰时段（工作日上午和下午各一段）要贵一倍，其余时间包括周末全天都算闲时。

另一个产品层面的变化：网页端和 App 端原来的「快速 / 专家 / 实时」三个模式现在全部合并，统一接入 V4.1 Flash，用户不再需要手动选择。

成绩表的两面：工程类赢，推理类输

成绩表才是这篇文章真正的重点。

在编程和 Agent 方向上，V4.1 Flash 对上代旗舰的提升是实打实的：终端操作测试 2.1 版 90.6 对 87.9、3.0 版 30 对 11.8、4.0 版 31.2 对 12.4、软件工程 74.2 对 62.7、网络安全 88.1 对 83.3、自动化任务 54.8 对 43.2。这些项目 Flash 全赢，幅度也不小。

但同一张表往下翻，有两行是相反的：博士级理科问答，Flash 90.9 输给 V4 Pro 的 92.4；「人类最后的考试」，Flash 36.8 输给 V4 Pro 的 42.7。

这两项恰好都是纯知识推理类任务，与编程、Agent 正好是两个方向。换句话说，Flash 的强项集中在工程类任务，弱项在知识推理。所以「全面超越」这四个字，更准确的理解应该是「工程类进步明显，推理类有所退步」——全面这个词在中文里本不该有例外。

再看对标竞品一栏，差距更清晰。终端操作 3.0 版，V4.1 Flash 30 分，对手分别是 34.4 和 43.3；4.0 版 31.2 对 39.9、51.8。最微妙的是软件工程那项，Flash 的 74.2 虽然是整张表最高分，但领先最强旗舰只有 0.2 分。真实结论是：Flash 在工程和 Agent 类任务上确实追到了第一梯队，部分项目咬得很紧，但不是拉开了，是并排了；纯推理类则还差一截。

单价降60%，总花费为何反涨36%

比分数更值得看的是一份社区实测。这份测试跑了 3 亿 token、14 组任务、2400 多次请求，而且是在 9 月 10 号降价之前完成的，这一点很关键。

结论令人意外：同一个计费口径下，V4.1 Flash 的总花费比旧版高了 36%。单价降了，总花费反而涨了。

原因在于它在复杂任务里倾向于多开子 Agent。实测中，一个大型游戏任务加一个十万字小说任务，两道题累计开了 37 个子 Agent，光子任务就烧掉超过一百万 token。这 37 个子 Agent「不领工资，但都来找你报销」。

另一份实测更说明问题：有博主测一个 3D 车库网页，输出速度达到每秒 335 token，快得飞起，但整个任务跑完花了三个多小时，约八成时间耗在「渲染—截图—交给视觉模型看—不合心意再改」的循环里。

这引出一个关键认知：输出速度快不等于交付快。Agent 任务的总用时取决于它要来回折腾多少轮。就像打车起步价降了一半，但司机绕了半个城，到地方结账比原来还贵。「全面超越」里其实藏着性能、速度、总用时、费用四种指标，它们在真实场景里经常互相打架——跑分高不等于总用时短，单价低不等于总花费低。

静默路由引发的社区争议

这周争议最大的一件事与技术无关，而是产品决策。9 月 9 号，DeepSeek 宣布所有发往 V4 Pro 的请求会被静默路由到 V4.1 Flash，按 Flash 的价格计费，理由就是那句「全面超越」。

翻译成人话：老客户还按 Pro 的价格付费，但后台跑的已经悄悄换成 Flash，不通知。

消息一出，开源社区几乎一边倒反对，而且反对点高度集中——不是技术，而是「你替我做决定」。有人举了个到位的例子：你围绕 V4 Pro 调了好几个月的提示词和 Agent 流程，全是照着它的脾气调出来的，后台一声不吭换了模型，业务可能直接出问题，而且你连排查方向都没有。

还有更现实的顾虑：B 端业务按 Pro 标准收费，推理突然变快，老板以为是优化成功，等 V4.1 Pro 上线速度又调回去，这个落差谁来负责？

争议的核心是一句话：模型名到底是合同，还是实现细节？对开发者来说，模型名就是稳定接口，改了它等于单方面撕毁一份没写在纸上的协议。最终官方把下线时间从 9 月 10 号推迟到 9 月 14 号中午 12 点，但只推迟了时间，方案没变——到那天请求照样全量路由到 Flash、照样按 Flash 计费。

「静默路由」（silent routing）在云服务语境下，指服务提供商在不通知用户的情况下，将某个 API 端点的实际处理模型替换为另一个模型。与显式弃用（提前公告、给过渡期、返回明确的版本标识）相对，静默路由让调用方无法通过日志或响应头感知后端发生了变化。对 LLM API 的使用者来说，这会带来几个具体麻烦：提示词针对特定模型行为调优的结果可能悄然失效；A/B 测试的对照组出现不受控变量；计费凭证上显示的仍是旧模型名，但实际成本结构已经改变。正因如此，OpenAI、Anthropic 等主要供应商的惯例是为每个模型维护带精确版本号的端点（如 gpt-4o-2024-08-06），并在弃用时提前数月公告。DeepSeek 此次操作偏离了这一行业惯例，是争议爆发的制度背景。

分三档给的迁移建议

客观说，这波批评里有些过头了。那个「总花费高 36%」，如果你的任务本身是短平快、不触发多开子 Agent 的类型，这个数字跟你基本无关，你只会感受到单价便宜了 60%。脱离限定条件去传播，就是拿别人的场景吓唬自己。

而且这次真正值钱的不是跑分，是那个不对称结构——输入侧 80 亿、输出侧 160 亿，它不是冲着刷榜去的，是冲着 Agent 的真实成本结构去的。思路很明确：不比谁脑子最好使，比谁先把持续跑 Agent 的成本打下来。

针对不同用户，可以分三档行动：

• 第一档（在用旧版 Flash 的）：直接换，不用犹豫，性能涨了、单价还降了。
• 第二档（手上跑 V4 Pro 的）：这两天必须做迁移测试，别拖到 14 号。重点测长上下文里的关键数字记不记得住——实测里反复出现长文档前后数字对不上的问题。
• 第三档（做长文档、要求高一致性的）：先小范围试，别一把缩。这代视觉进步是真的，短视觉任务从几百秒压到十几秒，但长上下文一致性和工具控制反馈仍偏弱。

看模型发布，得同时看官方怎么说和官方自己画的表怎么画。同一份材料里，口径和数据的出入，往往比数据本身更有信息量。接下来拼的可能不再是单点跑分，而是单位成本下的持续可靠性——跑分能赢一次，账单要付一辈子。