中美顶尖模型跑分差距缩至 3%彭博研报给 V4.1 Flash 盖了章【免费下载链接】DeepSeek-V4.1-FlashDeepSeek-V4.1-Flash 是一个多模态混合专家MoE模型拥有 5520 亿骨干参数并支持最多一百万 token 的上下文长度。该模型原生支持图像和文本输入并以自回归方式生成文本项目地址: https://ai.gitcode.com/hf_mirrors/deepseek-ai/DeepSeek-V4.1-Flash2026 年 9 月 8 日DeepSeek 在官方用户群里丢出一条不到 100 字的通知——没有发布会、没有预热海报甚至官网文档都没来得及更新只留下一个带保质期0910的模型名。48 小时后内测结束9 月 11 日 DeepSeek-V4.1-Flash 正式发布。紧接着多家媒体转引彭博Bloomberg研报的结论中美顶尖大模型的综合跑分差距已被 V4.1 Flash 拉近到约 3%。从 V4 时代终究没拿到开源大模型榜一的舆论落差到 V4.1 Flash 在多个 agentic benchmark 上反超闭源旗舰这中间发生了什么3%这个数字的口径是什么一个主打轻量、廉价的 Flash 模型凭什么在跑分上把自家 Pro 旗舰送走这篇文章以彭博研报结论为引用本地仓库的模型卡、config 与推理实现逐层拆解尝试回答这三个问题。一、彭博研报说了什么3% 的差距从哪来彭博研报的结论经 PChome 电脑之家、凤凰网等媒体转引后迅速扩散核心信息只有一句以主流公开基准的聚合跑分为口径DeepSeek V4.1 Flash 将中美顶尖模型的跑分差距从此前普遍处于两位数的水平压缩到了约 3%。研报的跑分并非单一基准而是一组能代表前沿模型真实能力的评测聚合。对照 README.md 中 Instruct 模型的官方评测表max reasoning effort 设置、temperature1.0, top_p0.95可以还原出这 3% 的构成Agentic 能力全面登顶Terminal-Bench 2.1Pass190.6超过 Opus-5.0 的 89.1 与 GPT-5.6 Sol 的 88.8DeepSWE v1.1Resolved74.2压过 Opus-5.0 的 74.0AutomationBench 54.8、Agents Last Exam 31.8、HLE w/ tools 63.9均为表中第一竞技与数学追上第一梯队Codeforces Rating 3471 为表中最高MathArena Apex 65.6 与 K3 并列第一推理硬基准仍有差距GPQA Diamond 90.9低于 Opus-5.0 的 93.4 和 GPT-5.6 Sol 的 94.1HLE文本子集39.1与 Opus-5.0 的 56.3 差距明显Terminal-Bench 3.0/4.0 也分别落后 Opus-5.0 约 13 个点。也就是说3% 不是全面追平而是能力分布的结构性逼近在代表真实工程价值的 agentic 场景中V4.1 Flash 已经跑在闭源旗舰前面在纯推理的极限智力测验上它还没有完成反超。这种工程智能先贴身、理论智能后跟上的形态恰恰是 2026 年模型竞争的典型写照。二、3% 意味着什么从追赶到贴身的关键一步回顾 V4 发布时的社区情绪——憋了这么久终究没拿到开源大模型榜一——会发现一个关键转折把差距从两位数压到 3% 的不是更大的 Pro 模型而是一个 552B 骨干参数的 Flash 版本。config.json给出了这代模型的硬指标max_position_embeddings为 1048576100 万 token 上下文、384 个 routed experts每 token 激活 6 个加 1 个 shared expert、sliding_window128权重以 FP8 动态量化发布、专家权重使用 FP4expert_dtype: fp4。真正撑起便宜又强的是 README 技术报告里两套架构设计一是 Causal Encoder-DecoderCED SWA Bounded Replay。40 层 Transformer 被组织成 20 层因果编码器 20 层解码器解码器的全局 KV cache 直接由最终编码器隐状态投影而来prefill 阶段每 token 只激活8B参数、decode 阶段16B。配合 SWA Bounded Replay只回放最近n_win个 token 来重建缺失的滑动窗口 KV 状态持久 KV cache 体积被压到 V4-Flash 的约1/8无需落盘 SSD。二是 Compressed Sparse Attention 2CSA2 FP4 主 KV。每个注意力层被静态指派三种模式之一Full / Reindex / Reuse跨层共享主 KV 与 indexer K、复用 Top-K 稀疏注意力索引解码器侧的 Hierarchical Sparse Indexer 则把深层索引限制在首个 Full 层构建的候选池内使深层索引开销不再随上下文长度增长。再加上 FP4 主 KV 缓存E2M1 格式、每 16 通道共享一个 E4M3 scale全局 KV cache 被压缩到890 字节/token——约为 V4-Flash 的 1/4、V1 的 1/437。这套压缩一切的思路直接转化成了部署经济学。社区报道中单台 DGX Spark 即可运行 V4.1 FlashFP8 基础模型权重约 113.6GBDeepSeek 官方在正式发布前宣布 Flash 降价 60%中国科大大模型公共服务平台也在发布后迅速上架该模型。开源生态对成本曲线的敏感度在这里体现得淋漓尽致。更值得开发者注意的是推理预算的可控性。V4.1 Flash 支持 1–100 的整数型reasoning_effort参数把思考多深从黑盒变成了可调旋钮。encoding/README.md 给出了准确语义low→ 50、high→ 75、max→ 100默认 75仅在thinking_modethinking且对话首轮生效from encoding import encode_messages messages [ {role: system, content: You are a helpful assistant.}, {role: user, content: What is 22?}, ] prompt, media encode_messages( messages, thinking_modethinking, reasoning_effort75, # integer 1–100或 low/high/max return_multi_modal_dataTrue, ) # prompt: # begin▁of▁sentenceSystemReasoning Effort: 75 (range 1-100, the higher the # value, the more thorough the reasoning)\n\nYou are a helpful assistant. # UserWhat is 22?Assistantthink这意味着跑分与成本第一次在同一个模型内部解耦日常任务用低预算省 token硬核评测用高预算冲上限——官方评测中所有 Instruct 成绩正是取reasoning_effort100跑出来的。对 API 用户而言3% 的差距因此有了工程上的实操含义以约 1/4 的 KV 开销、可控的推理深度换取接近闭源旗舰的 agent 表现。三、媒体与开源生态跑分之外的连锁反应彭博研报的盖章效应迅速在中文技术社区引爆讨论。发布当日DeepSeek V4.1 Flash 正式发布即登上技术社区热榜从一次把自家旗舰送走的发布到Flash 模型大混战DeepSeek 抢先吃到红利讨论焦点高度一致V4.1 Flash 用轻量定位完成了对自家 V4 Pro 的市场替代同时把竞争从谁更强拉向谁更省。几个值得注意的生态信号部署半径迅速扩大发布后不久Windows 官方渠道宣布 DeepSeek V4 Flash 与 Nemotron 可通过 llama.cpp 在 Windows ML 上本地运行中国科大大模型公共服务平台同步上线 V4.1 Flash——从消费级桌面到高校算力平台覆盖了以往开源模型难以触达的两端调用量数据佐证热度中国 AI 大模型调用量已连续二十三周领跑匿名模型太空兔环比增长 179% 冲上榜首——Flash 类轻量模型的放量是这轮增长的重要推手全链路开源的可复现性本仓库不仅放出 48 个 safetensors 分片model.safetensors.index.json显示权重总量约 510GBMIT 许可还附带了从权重转换到基准复现的完整路径inference/README.md 提供 TP 并行权重转换convert.py专家 FP4与最小推理实现evaluation/README.md 则给出 DeepSWE v1.1 的复现脚本含dsh-minimal与mini-swe-agent双 agent、Pier 补丁dsh-minimal.patch。社区里也出现了一些值得留意的认知噪音由于Flash一词在 AI 领域Flash Attention、Flash 后缀与嵌入式硬件NAND/SPI Flash中的双重含义部分文章一度把 V4.1 Flash 误读为伪概念或DHS 运行时策略。这种混淆恰恰从侧面说明一个开源模型引发的讨论已经溢出开发者圈层进入了更广泛的工程技术社群。结语3% 不是终点是贴身竞争的起点彭博研报的 3%用研报自己的口径看是差距缩至约 3%但对照 README 的评测表这句话更精确的读法是中美顶尖模型在 agent 类工程基准上已互有胜负在纯推理基准上仍存在可量化的代差。V4.1 Flash 的价值不在于赢了 3%而在于证明了开源阵营可以用 552B 参数、8B/16B 激活、890 字节/token 的 KV 缓存把顶尖模型的能力密度与成本结构同时推进一个身位。对开发者而言真正的红利在仓库本身100 万 token 上下文、原生态多模态、可控推理预算、MIT 许可的完整权重加上可复现的评测脚本——这是跑分差距 3%之外最值得亲自验证的部分。【免费下载链接】DeepSeek-V4.1-FlashDeepSeek-V4.1-Flash 是一个多模态混合专家MoE模型拥有 5520 亿骨干参数并支持最多一百万 token 的上下文长度。该模型原生支持图像和文本输入并以自回归方式生成文本项目地址: https://ai.gitcode.com/hf_mirrors/deepseek-ai/DeepSeek-V4.1-Flash创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考