DeepSeek-V4.1-Flash
DeepSeek发布的大型混合专家语言模型，采用552B MoE架构，支持视觉输入与100万token上下文窗口，引入Engram记忆架构与压缩KV共享机制，专为智能体场景优化
核心事实
时间轴 (近 90 天)
整轮微调花费约23元人民币的DeepSeek API调用费，外加约9个Kaggle每周免费GPU小时。
此前 Artificial Analysis 和 Vals.ai 的测试显示，V4.1 Flash 在开源权重模型中处于头部，但在 SRE 类任务和法律智能体基准上落后。
terminal-bench-2.0榜首是mindlab-research/Macaron-V1-Venti（87.6），terminal-bench-2.1属于DeepSeek-V4.1-Flash（90.6），基础版terminal-bench由Ling-3.1-flash以46.03分领先。
DeepSeek-V4.1-Flash-1017 是后训练检查点，并非新架构，基础仍是 9 月发布的 V4.1-Flash。
DeepSeek V4.1-Flash-1017 在 Terminal-Bench 4.0 基准上相比上一版本提升了 11 分。
在 DeepSeek-V4.1-Flash 上的六个零阶案例中，仅出现一个新目标 token 提升，同时出现一次回退。
DeepSeek-V4.1-Flash 有 763B 参数，BF16 权重约 1.5 TB，官方 FP4/FP8 checkpoint 是 475.2 GiB，coolbho3k 的 3-bit EXL3 包压到 309.3 GiB。
DeepSeek-V4.1-Flash 的 MoE 结构为 40 层，每层 384 个路由专家，每个 token 每层只激活 6 个专家。
v0.32.0rc2 中有一项改动是将 DeepSeek-V4.1-Flash-NVFP4 的评测固定到其 FP8-Engram 版本。
在规格不足的集群上部署DeepSeek-V4.1-Flash或Moonshot Kimi K2.5时，vLLM要么在权重初始化阶段OOM，要么在每个并发多轮Agent请求时驱逐KV缓存块。
还有 39 条时间轴事件
全部知识事实 (20)
盘古2.0 Flash采用MoE（混合专家）架构，参数规模为92B A6B（总参数92B，激活参数6B）
80%已验证DeepSeek-V4.1-Flash 的 KV 缓存压缩至每 Token 890 字节，仅为 V4 Flash 的四分之一
65%已验证DeepSeek发布了DeepSeek-V4.1-Flash，该方法对KV缓存所需内存进行了大幅压缩
70%部分验证DeepSeek V4.1-Flash-1017 在 Terminal-Bench 4.0 基准上相比上一版本提升了 11 分。
75%待验证发布方宣称DeepSeek-V4.1-Flash的成本仅为Opus 5和GPT-5.6 Sol的1/40
70%待验证DeepSeek-V4-Flash-Vision-Exp采用MoE架构，总参数约305B，每个Token仅激活约13B，激活率约4.6%
60%待验证整轮微调花费约23元人民币的DeepSeek API调用费，外加约9个Kaggle每周免费GPU小时。
50%待验证此前 Artificial Analysis 和 Vals.ai 的测试显示，V4.1 Flash 在开源权重模型中处于头部，但在 SRE 类任务和法律智能体基准上落后。
50%待验证terminal-bench-2.0榜首是mindlab-research/Macaron-V1-Venti（87.6），terminal-bench-2.1属于DeepSeek-V4.1-Flash（90.6），基础版terminal-bench由Ling-3.1-flash以46.03分领先。
50%待验证DeepSeek-V4.1-Flash-1017 是后训练检查点，并非新架构，基础仍是 9 月发布的 V4.1-Flash。
50%待验证在 DeepSeek-V4.1-Flash 上的六个零阶案例中，仅出现一个新目标 token 提升，同时出现一次回退。
50%待验证DeepSeek-V4.1-Flash 的 MoE 结构为 40 层，每层 384 个路由专家，每个 token 每层只激活 6 个专家。
50%待验证DeepSeek-V4.1-Flash 有 763B 参数，BF16 权重约 1.5 TB，官方 FP4/FP8 checkpoint 是 475.2 GiB，coolbho3k 的 3-bit EXL3 包压到 309.3 GiB。
50%待验证v0.32.0rc2 中有一项改动是将 DeepSeek-V4.1-Flash-NVFP4 的评测固定到其 FP8-Engram 版本。
50%待验证在规格不足的集群上部署DeepSeek-V4.1-Flash或Moonshot Kimi K2.5时，vLLM要么在权重初始化阶段OOM，要么在每个并发多轮Agent请求时驱逐KV缓存块。
50%待验证使用MLA的模型如DeepSeek-V4.1-Flash将KV状态压缩至每32k流约2.4 GB（FP8 KV），而更宽的架构每32k流消耗3.0 GB–3.8 GB。
50%待验证vLLM 对 DeepSeek-V4.1-Flash 的三项优化（SWA 有界重放、MegaAttention 与 Mega-Gate 内核、算子融合与 CUDA graphs）在 150 TPS 约束下实现 5.3 倍吞吐，低并发下加速 1.9 倍，100K 吞吐时 TTFT 降低约 70%。
50%待验证DeepSeek-V4.1-Flash基于45T Token的多模态预训练，上下文推理强度支持1到100连续可调，采用MIT协议
50%待验证deepseek-v4.1-flash属于轻量、高吞吐定位的flash类模型，通常价格较低、调用频繁
50%待验证Naive-N0.5-Flash 的 BF16 权重文件约 618GB，FP8 格式版本权重约 315GB
50%