Deepseek V4.1-Flash 反超 V4-Pro：新一代架构替换了旧一代旗舰

2026 年 9 月 10 日，DeepSeek 发布 V4.1-Flash 并宣布：extensive testing shows that V4.1 Flash now outperforms DeepSeek V4 Pro across performance, cost, speed, and total time。一个家族里最小档的模型，把上一代旗舰全面反超了。多数人看到这句话的第一反应是去翻跑分表，第二反应是问「小模型凭什么赢」。这篇给你的不是一句现成的答案，而是一条可逐层核验的因果链：口径、容量、能力迁移、系统、成本、统计判决。任何一层过不去，「反超」就只是跑分表上的一次巧合，而不是架构换代。

这篇是面向工程师的调研笔记，不是论文导读。每个论点都挂上具体数字和证据层级：哪些是官方事实，哪些是厂商自报评测，哪些只是机制假说，请一路带着这个分类往下读。

一、「全面领先」这句话，哪些是官方事实、哪些只是机制假说？

先钉死事件本身。DeepSeek 官方更新日志 2026-09-10 条目写明，V4.1-Flash 是「new architecture family 里最小的模型」，原生支持多模态视觉，API 调用名是 deepseek-flash。同一条目宣布了两件会产生时效后果的事：旧接口名 deepseek-v4-flash 临时路由到新模型；2026 年 9 月 14 日 12:00 北京时间起，所有 deepseek-v4-pro 请求会被路由到 V4.1-Flash，并按 Flash 价格计费，直到未来 V4.1-Pro 发布 DeepSeek 更新日志

接下来是关键问题：「全面领先」里的「全面」站得住吗？官方同一条更新时间日志里列了 19 个 benchmark，其中既有支持反超的，也有反例。最扎眼的是这个：V4-Pro 在 HLE（无工具）上公布的是 42.7，而 V4.1-Flash 只有 36.8，纯文本子集口径下也只有 39.1。注意这个反常点：官方自己公布的数据里，「全面领先」就不成立。Terminal-Bench 2.1 上 Flash 的 90.6 确实压过 V4-Pro 的 87.9，但硬科学推理这类任务上老旗舰反而更高。所以严谨的表述是：官方数据支持 Flash 在 Agent 与代码类任务上领先，不支持「每一项都更高」DeepSeek 更新日志

还要认清一个更基本的问题：这 19 个数字是哪个层级的证据？我们至少可以分四层。第一层是官方事实，例如发布与路由切换的日期、API 名称，这些有更新日志原文锚定。第二层是厂商评测，19 个分数全部出自 DeepSeek 自己的 extensive testing，发布当天没有第三方独立 audit。第三层是第三方实测，目前还没有公开。第四层是机制假说，比如「Flash 用了更激进的蒸馏所以赢」，这属于解释层，后面几章会逐个检验。把「官方公告」和「厂商评测」和「机制解释」混在一句话里说，是所有跑分新闻最常见的偷换。

除了层级，「领先」本身还混着几个不可通约的量：能力、速度、价格、并发。能力是分数，速度是延迟和吞吐，价格是单价，并发是上限，四者单位不同，压成一个无权重总分没有任何意义。官方这句「across performance, cost, speed, and total time」恰好是四个不同随机变量，不能直接相加。看下面的对照，每个维度单独取值：

同一个表里，能力维度上 Flash 一胜一负，价格和并发维度上 Flash 全面占优 DeepSeek 价目表

这引出这一章要立下的纪律：看任何一条分数，先问它属于哪一层证据，再问它跟谁在什么口径下比。任务分布、推理强度、工具权限、温度、聚合权重不锁死，「反超」就是一个没法反驳也没法验证的句子。把事件先放上时间线：

图注：官方事实时间线：9 月 10 日发布并公布 19 项 benchmark，9 月 14 日 12:00 北京时间起把 V4-Pro 请求路由到 Flash。进入因果链之前，先分清哪些是已发生的公告、哪些只是厂商自述。

二、容量账：激活参数更小，凭什么还能保留大容量？

第一个机制假说候选是容量：Flash 激活参数小，但容量不小。这要从 MoE 的稀疏激活说起。MoE 把总参数 $N$ 和每 token 实际计算的激活参数 $N_{act}$ 部分解耦，训练成本的粗略估计是 $C_{train} \approx 6 N_{act} D$，推理是 $C_{infer} \approx 2 N_{act} D_{infer}$，其中真正决定主计算量的是激活参数而不是总参数。换句话说，一个 1.6T 总参数的模型，只要每 token 只激活 49B，它的算力账单就和 49B 的稠密模型同级。这就是「小模型」的第一层含义：小的是每 token 算力，不是知识容量。

但「激活参数小」和「容量大」之间不是自动成立的。Zhao 等人在 2025 年的 MoE 缩放律工作中用 446 组对照实验拟合了五维联合缩放律 $L(N, D, N_{act}, G, S)$，发现激活参数对 loss 的影响是一条先降后升的曲线：

图注：激活参数 $N_{act}$ 的边际效应：(a) 激活率较小时，loss 随激活参数呈幂律单调下降；(b) 激活率过大后，loss 触底反弹。点的大小正比于训练数据量。这张图说明「激活参数不是越大越好」，也不存在「越少必然越强」。MoE 缩放律

这里有个关键区分：要不要容纳更大的激活参数，取决于你是「理论最优」还是「效率感知最优」。论文给出两档：理论最优激活率约 20% 到 43%，效率感知最优（再增加激活参数的 loss 收益低于阈值）约 5% 到 9% MoE 缩放律。工业模型大多落在效率感知档：已知基线里，V4-Flash 是 284B 总参、13B 激活，激活率约 4.58%，正好压在效率感知区间下沿 DeepSeek-V4

把算力预算换成更多训练 token 和更丰富的专家多样性，就是所谓过训练，这是「小激活保住大容量」的另一半。但这套账有代价：路由失衡、专家通信、权重驻留，以及过度稀疏导致的容量损失，都会吞掉收益。所以这章的正确结论是：小激活能保留大容量，靠的是把省下的算力转成训练预算；但这需要明确的模型规格才能证实。官方没有披露 V4.1-Flash 的总参、激活参、训练 token 数，更新日志里这些词一个都没出现，所以这篇只能给出候选机制，落点要等模型卡。另外，这条缩放律只在最大 9B 总参、100B token 的范围内拟合过，外推到 V4 系列本身已经是外推，这点要如实标注。

这条规律的可靠性倒是可以量化。五维联合 law 的平均拟合误差是 0.0059，比 Krajewski 2024 的 0.0179 和 Abnar 2025 的 0.0152 明显更低，约为二者的三分之一（0.0059 对 0.0179 / 0.0152）：

图注：三面板对照同一批数据点上的拟合：(a) Krajewski 2024，误差 0.0179；(b) Abnar 2025，误差 0.0152；(c) 本文五维联合 law，误差 0.0059。星点为更大规模验证数据。MoE 缩放律

但要划一条清晰的边界：缩放律解释的是预训练容量，解释不了后训练能力。V4.1-Flash 在 Agent 和代码基准上的领先，只靠「容量账」算不出来，它需要能力从某个地方迁过来。这部分是下一章的事。想看更细的推导，可以读同组专题《把容量与算力拆开：MoE 与压缩注意力的效率方程》。

三、能力迁移账：小档位怎么把大模型的能力接过来？

第二个候选机制是能力迁移：Flash 的能力不是自己长出来的，是从更大模型的策略里接过来的。这里的关键背景是，DeepSeek-V4 后训练已经把 V3.2 的混合 RL 整个换成了多教师 on-policy distillation（OPD），也就是用多于十个覆盖各领域的教师模型，通过反向 KL 把能力整合进单一学生策略 DeepSeek-V4。

同行证据里，MOPD 论文把这条路线讲得最完整。三阶段流程是：先做通用 SFT 得到一个共享起点；再按领域各自训练专家，数学用可验证答案 RL，代码用沙箱 Agent RL，指令遵循用 rubric 型 RL，各训各的、可以并行；最后阶段做 on-policy 蒸馏，学生沿自己的 rollout 采样，按领域把轨迹派给对应教师，教师顺着学生的轨迹 prefill 一遍，给出逐 token 概率，再用反向 KL 更新学生 MOPD：

图注：MOPD 三阶段流程：SFT 产出共享起点，域专家 RL 并行训出教师组，on-policy 蒸馏让学生沿自己的 rollout 采样、教师沿同一轨迹给出逐 token 信号。能力是在第三阶段这一步被「接」过来的。MOPD

「on-policy」是这章最值得停一下的词。它说的是：学生按自己当前的分布走一遍完整的回答轨迹，教师不去猜学生要说什么，而是顺着学生已经走出来的这条路给逐 token 的偏好信号。这样一来，学生的训练分布和它的实际采样分布是一致的，学的就是「如何在考试里作答」而不是「如何模仿老师的文风」。MOPD 在 Qwen3-30B-A3B 上的结果是把规范化分数从 MixRL 的 0.882 提到 0.937，三个领域的分数区间只有 0.044，是所有基线里最均匀的 MOPD

蒸馏稳不稳定，关键不在 loss 形式，而在学生和教师的初始分布差。MOPD 做了个漂亮的控制实验：把数学教师从同源替换成更大但分布差异明显的 Qwen3-235B-A22B，其它一切不动。同源场景下初始逐 token KL 只有约 0.04，两条曲线平滑收敛；跨族场景初始 KL 约 0.19，大约是前者的 5 倍，top-k 形式的蒸馏在 step 约 18 处灾难性发散。看训练曲线：

图注：Qwen3-30B-A3B 数学域上四次实验的训练动态：左为准确率，中为学生与教师的逐 token 反向 KL，右为策略熵。实线是同源教师，稳定收敛；虚线是跨族教师，top-k 变体在 step 约 18 处崩溃。MOPD

注意，这两张图是 MOPD 论文在 Qwen3-30B-A3B 上的控制实验，不能当成 V4.1-Flash 的实际训练曲线。但结论可以迁移为机制候选：如果 Flash 的能力来自多教师同源蒸馏，那么它和一个更大的 Pro 用同一套 SFT 起点、同一批域内教师，稳定就有保证。V4.1-Flash 是否沿用 OPD、教师是谁，官方目前没有公布一个字。

还有一个会直接改变「反超」读法的变量：推理预算。V4-Pro 与 V4-Flash 的 thinking 模式都支持 low / high / max 三档 effort 切换，于是同一个模型的分数是推理预算的函数，排名是质量函数 $Q(m, e, b)$ 而不是固定常数 DeepSeek 更新日志。官方评测配置用什么 effort、什么温度，更新日志没写。如果 Flash 在 max effort 下才拿到 90.6，而 Pro 的 87.9 是低档测的，那「反超」有一部分其实是「花更多预算换来的分数」，跟模型容量无关。

最后把镜头拉远：这条能力迁移路线不是 DeepSeek 一家的选择。VESSL 的产业综述把 DeepSeek-V4、小米 MiMo-V2-Flash、智谱 GLM-5、快手、英伟达 Nemotron-Cascade 2 并排在 2026 年前两季的同一张图里，几家之间只有三个设计旋钮的差异：精确还是廉价的反向 KL、外部教师还是自身历史 checkpoint、要不要纠正训练与推理分布偏差 VESSL OPD。所以「小档位靠蒸馏接住大模型能力」是一项产业趋势，不是孤立事件。小档位赢在目标分布上的策略继承，而不是知识容量更大；能力这一层，Flash 的账可以成立，但同样要等官方公开训练配方才能从候选变成事实。

四、系统账：从显存墙到并发，凭什么小模型反而更快？

第三个候选机制是系统层：Flash 的「快」是一条可以单独核算的系统账。先看 serving 的本质。自回归服务拆成两段：prefill 处理整段 prompt，可并行、计算密集；decode 逐 token 生成，每个 token 都要读一遍全部激活权重和 KV cache，是带宽密集的。现代 serving 的吞吐瓶颈是显存不是算力：KV 缓存随 $2 L n_{kv} d_{head} s b p$ 增长，层数、KV 头数、序列长度、批量和精度每一项都在往显存里塞东西。vLLM 的论文里，OPT-13B 单个 token 的 KV 缓存就要 800KB，一条 2048 token 的请求约占 1.6GB，旧式预分配方案的有效内存利用率最低只有 20.4%，约八成显存是浪费的 PagedAttention

解决显存碎片的是 PagedAttention：把 KV 缓存切成固定大小的物理块，每个请求维护一张 block table，把逻辑块映射到任意散落的物理块，块和块之间的空位可以被别的请求复用，浪费被限制在一个块内。再配合连续批处理，每个 decode 迭代结束就把完成的请求移出、新请求补进来。系统边界长这样：

图注：vLLM serving 一次 batched decode 迭代内的组件：API server、scheduler、GPU worker 上的 KV cache manager 与 PagedAttention kernel，以及迭代粒度换入换出请求的连续批处理循环。PagedAttention

「分页」这个抽象决定了并发从哪来。物理块按需分配，batch 的显存约束从「按最长序列预分配」变成「按块分配」，于是同一块显存能塞进更多并发请求：

图注：PagedAttention 算法：左上是逻辑视图（连续 token 位置），左下是 block table 把逻辑块映射到非连续物理块，右侧是物理 KV 块的实际布局，块间空位可被其它请求复用。PagedAttention

到这里，V4 系列的架构压缩就有了落地的地基。DeepSeek-V4 用 CSA 与 HCA 两层把 KV 项数压下来：CSA 先用 token 级压缩器把每 m 个 token 的 KV 合并成一个（m=4），再用 Lightning Indexer 打分、top-k 选出要保留的压缩 KV 条目，最后拼上一段滑窗 KV 保住局部细节；HCA 用更激进的压缩率（m'=128），在部分层替代 CSA：

图注：CSA 流程图：KV tokens 经 token 级压缩器压到原来的 1/m，Lightning Indexer 打分后由 top-k 选择器挑出压缩 KV 条目，再与滑窗 KV 拼接，送入共享 K-V multi-query attention。DeepSeek-V4

这串压缩在 1M 上下文的账上很可观：相比 V3.2，V4-Pro 的 KV 缓存降到约 10%、单 token FLOPs 约 27%，V4-Flash 进一步压到 KV 约 7%、FLOPs 约 10% DeepSeek-V4。小激活权重加更小的 KV 项，意味着同显存塞更大 batch、更高并发。官方价目页上这个数字落到了 2500 对 500，Flash 的并发上限是 Pro 的 5 倍 DeepSeek 价目表。注意这里的证据层级：2500 与 500 是官方口径，CSA/HCA 的压缩率是 V4 论文的已知基线，而 V4.1-Flash 自己的压缩率没有公开，所以「Flash 靠更小 KV 项撑起 2500 并发」是一个机制候选，不是已证实的事实。

2026 年系统层还有两条与架构压缩互补、同样不需要重新训练的解码加速路线：SparseSpec-L 用稀疏 KV 起草加全量验证的自投机解码，在 LongBench v2 上拿到 2.79 倍加速和 72.9% 接受率；FFD 把选择与计算融合进单个 kernel，用 top-δ 相对阈值代替 top-k 的固定预算，在 RTX 4090 上端到端约 2.37 倍 SparseSpec-L FFD。这两条各自只在 8B 级稠密模型上验证过，外推要谨慎，但方向一致：小模型在系统账上还能再赚一笔。这一章的结论是，速度优势来自更小的每 token 显存占用和更高的并发上限，它是一条独立的系统账，不等于「架构更先进」。

五、成本账：从 token 单价到「每个成功任务多少钱」？

第四笔账是成本。先看官方价目表，六条目：cache hit 输入、cache miss 输入、输出，各乘 peak 与 off-peak 两档。off-peak 时 Flash 的 cache hit 输入、cache miss 输入、输出分别是每百万 token 0.003、0.15、0.60 美元，V4-Pro 对应 0.022、0.66、1.98 美元，peak 一律是 off-peak 的两倍 DeepSeek 价目表

很多人会把这件事简化成「Pro 是 Flash 的 3 倍」，这是错的。逐条算：cache hit 输入约 7.3 倍，cache miss 输入 4.4 倍，输出 3.3 倍，没有统一整数倍率。第三方文章里流传的「3×」只是输出线的近似，会显著低估长上下文场景（cache hit 占比高）的真实价差 DeepSeek 价目表。

但真正决定选型的是另一个公式。单位成功任务成本是：

$$\mathrm{CostSuccess} = \frac{\mathrm{InputCost} + \mathrm{OutputCost} + \mathrm{ToolCost} + \mathrm{RetryCost}}{N_{\mathrm{success}}}$$

分子不是一次性推理的价格，而是把一个任务跑成功所需的所有输入、输出、工具调用和失败重试的总费用，分母是成功任务数。响应元数据里的 token 用量、TTFT、TPOT、端到端时间和错误，是评估这个单位成功任务成本的输入；实际账单只按输入 / 输出 token 数计费，TTFT、TPOT 等延迟指标并不直接进入账单。这解释了两个反直觉的方向：如果 Flash 需要更长的思维链或更多重试，它的名义价差会被吃掉；如果它反而因为策略更有效而减少 Agent 步数，优势会被复合放大。只看单 token 单价算不出这笔账 DeepSeek 价目表。

并发上限在这笔账里是放大器：2500 对 500 意味着高并发的 Agent 批量负载本来就只能选 Flash，Pro 在吞吐需求面前没有选择余地。把三层账叠起来看：

图注：价格 → token 成本 → 任务成本三层账。只看 token 单价会漏掉工具调用与重试，只有算到「每个成功任务多少钱」才能比较。

最后是时效：9 月 14 日 12:00 北京时间起，deepseek-v4-pro 的请求被路由到 V4.1-Flash 并按 Flash 价格计费 DeepSeek 更新日志。换句话说，Pro 那 8 个高价数字的「贵」只剩几天寿命，任何基于 Pro 价格做的成本预测都要标上有效期。便宜从口号变成了数字，但「便宜多少」取决于你的任务形态，不是一组静态价格能回答的。

六、判决：怎么自己验一遍，以及这个结论什么时候会失效？

到这里，机制层都讲完了，还差最后一关：这些数字在统计上站得住吗？厂商公布的是单点分数，而单点分数差证明不了稳定领先。问题出在评测题目太少：30 题的 AIME、55 题的 LiveBench 这类小基准上，默认用中心极限定理（CLT）构造的 95% 置信区间会系统性低估不确定性。Bowyer 等人在 2025 年 ICML 的工作里给过实证：N=100 时，默认 CLT 区间的实际覆盖率只有 92.5%，远低于名义 95%，N=30 时偏离更严重 Don't Use the CLT：

图注：横排五列对应 N=3/10/30/100，顶行是各区间方法的 coverage 对 confidence level，灰色虚线是理想的 1−α；底行是区间宽度；最右列是 coverage 误差随 N 的变化。只有 CLT 与 Bootstrap 在 N=100 处明显偏离虚线。Don't Use the CLT

用这个尺度量一下 V4.1-Flash 与 V4-Pro 的官方差距：30 道题上，一道题对换就是约 3.33 个百分点；Wilson 95% 区间宽约 18.7 个百分点。换句话说，一个 1.5 到 3 个百分点量级的领先，落在误差区间的中段，统计上不能拒绝「两模型伯仲」的假设 Don't Use the CLT。正确的判法是配对比较：同一组题让两个模型都跑，把每道题的成败配对起来，用 McNemar 检验或配对 bootstrap 看差异是否显著，或者直接算贝叶斯后验 P(Flash > Pro)。要声称「Flash 稳定反超 Pro」，判决标准应该写成：同一套题上的配对后验 P(Flash > Pro) ≥ 0.95，而不是「某个基准高了 2 分」。

还有一层边界必须说清：黑盒 API 能做的只有行为消融，控制 thinking effort、上下文长度、缓存状态和任务类型，观察分数怎么变；不能从 API 响应反推 V4.1-Flash 的总参、激活参、压缩率这些未公开参数。任何架构归因，在官方模型卡出来之前都只能停留在候选机制。

把这一整套判决收束成可执行的选型规则，就是这个表：

再加上那条贯穿全文的限定语：9 月 14 日后 V4-Pro 的名字就是 Flash，真正的头对头复现窗口已经关闭，任何基于「Pro 这个接口」测出来的数字都要连同执行日期一起报告。可复现的双轨 benchmark 与配套的统计检验代码，见同组专题《亲手验明倒挂：双轨 Benchmark、统计检验与选型代码》。

现在把六层串起来回看开头那句口号。口径层：19 个数字全是厂商自报，HLE 上还有公开反例；容量层：小激活能保留大容量，靠过训练和专家多样性，V4.1-Flash 的规格未披露；能力层：多教师同源蒸馏是产业收敛的方向，Flash 大概率继承了，但教师名单未公开；系统层：小激活加小 KV 项撑起 2500 并发，机制候选成立；成本层：单位成功任务成本要按任务形态重算；统计层：单点分差在 30 题基准上不显著。去掉每一层的限定词之后剩下的那句话是：这不是小参数天然战胜大参数，而是一次新一代架构与训练配方对旧一代旗舰的系统级替换，替换的时点已经写进官方路线图，2026 年 9 月 14 日 12:00 生效。记住判断方法，比记住任何单一分数都重要。

参考文献

本专题引用的核心资料如下，建议深入学习时阅读原文：

1. DeepSeek API Change Log — V4.1-Flash Release (2026-09-10) — https://api-docs.deepseek.com/updates
2. DeepSeek-V4: Towards Highly Efficient Million-Token Context Intelligence — arXiv:2606.19348
3. DeepSeek API — Models & Pricing (2026-09-10) — https://api-docs.deepseek.com/quick_start/pricing
4. Towards a Comprehensive Scaling Law of Mixture-of-Experts — arXiv:2509.23678
5. MOPD: Multi-Teacher On-Policy Distillation for Capability Integration in LLM Post-Training — arXiv:2606.30406
6. Efficient Memory Management for Large Language Model Serving with PagedAttention — arXiv:2309.06180
7. A Sparse Glimpse of the Whole: Train-Free Self-Speculative Decoding (SparseSpec-L) — arXiv:2607.27735
8. Faster Than Flash: Exploiting Attention Sparsity for Efficient Long-Context Decoding (FFD) — arXiv:2609.00097
9. Position: Don't Use the CLT in LLM Evals With Fewer Than a Few Hundred Datapoints — arXiv:2503.01747
10. On-policy distillation, part 2: per-lab recipes and the GPU workload (VESSL blog) — https://vessl.ai/en/blog/on-policy-distillation-part-2