DeepSeek彻底重构V4.1 Flash：非对称架构背后，是抢占AI入口的野心

导语：DeepSeek V4.1 Flash彻底推翻V4架构，以非对称CED结构大幅压缩推理成本。这次重构并非单纯追求性能，而是源于Agent场景对“输入密集型”负载的全新需求。新模型由DSH“反哺”而来，预示着DeepSeek正从技术竞赛转向抢占AI入口的战略新阶段。

DeepSeek V4.1 Flash正式亮相后迅速获得广泛赞誉，梁文锋再度被社区推崇为“梁圣”。

相比V4 Flash，V4.1 Flash最核心的变化在于彻底推翻原有架构，采用了一套与前代截然不同的非对称设计方案。这意味着V4阶段积累的训练配方、优化经验与工程适配，到了V4.1阶段几乎全部失效。

对于一家已经拥有数百名研发人员的企业而言，重新搭建一套全新架构既耗费时间又消耗精力。即便如此，梁文锋依然果断拍板，对V4实施了“推倒重来”。

新架构听起来或许像营销噱头，但答案其实就藏在DeepSeek V4.1 Flash的官方论文中——旧架构已经无法承载新的训练目标。

那么这个新目标究竟是什么？我认为，很可能是“入口”。

01 | 为何选择彻底重构？

通常的流程是先有模型、再做Harness。厂商根据模型的能力特点来构建配套工具。然而DeepSeek V4.1 Flash却是被DSH“反哺”出来的。

官方论文指出，V4.1 Flash的后训练遵循标准的SFT→RL→在线蒸馏（OPD）范式，算法层面未做任何改动。所有实质性变化都集中在数据流水线——大规模自动合成Agent任务与环境，数据量、任务种类、试错轮次逐步递增。

RL训练过程中，模型在六种不同的Agent框架里反复尝试与纠错，数据规模、任务复杂度和训练轮次持续攀升。DSH是这六个训练场中最关键的一个，V4.1 Flash还专门针对DSH的不同操作模式做了定向强化。

DSH从DeepSeek V4 Pro的附属产品，一跃成为V4.1 Flash的核心驱动力。

为了满足DSH的偏好，DeepSeek V4.1采用了全新结构。论文介绍，新结构让模型在prefill阶段每token仅需激活8B参数，decode阶段激活16B，从而大幅优化了“输入密集型Agent工作负载”的成本效率。

为何“输入密集”会成为瓶颈？

过去的模型架构面向“对话”场景设计——用户提问、模型作答。输入短、输出长，模型只需记住当前一轮对话的上下文。

但在Agent时代，数十轮中间状态持续挂在上下文里，输入动辄数十万token，远超输出量。

2026年4月，密歇根大学、斯坦福大学等机构联合发布论文《AI是怎么花你钱的？》，其中指出在Agentic代码任务中，输入与输出的token比高达154:1。

于是DeepSeek决定推倒重来。V4.1 Flash采用了非对称结构Causal-Encoder-Decoder（CED）。

V4.1 Flash的语言主干共40层。若沿用传统Transformer（decoder-only）的设计，这40层应当完全相同，每层同时负责“读”和“写”，既处理输入也处理输出，且每层各自维护一份KV Cache。

CED的“非对称”，是指将这40层拆分为前20层编码器与后20层解码器。编码器只负责“读”，将输入压缩为摘要；解码器只负责“写”，依据摘要生成回答。

好比汽车生产线：过去是一个车间完成所有工序，扩产只能不断复制这一车间。现在则是流水线作业——冲压车间只管冲压，电泳车间只管电泳。

并且记忆只产生一次，解码器的全局KV Cache直接从编码器的最终结果投影得出。DeepSeek V4.1 Flash将全局KV Cache压缩至890字节/token，降低至V4 Flash的四分之一。

这得益于DeepSeek V4.1 Flash采用的CSA2（Compressed Sparse Attention 2）——第二代压缩稀疏注意力机制。

V4时代DeepSeek使用的是第一代CSA。到了第二代，不同层之间可以共享KV和索引，从根本上解决了前文所述的痛点。

同样以汽车生产线类比，CSA2将这40层划分为三个不同的车间：Full、Reindex和Reuse。Full负责完整记录，类似传统Transformer的每一层。Reindex负责提炼重点，再据此执行任务。Reuse则直接复用Full的结果，连提炼步骤都省去了。

虽然第一层用Full、其余39层全用Reuse是最省钱的做法，但各层关注重点不同、能力各异——浅层做“字面理解”，深层做“逻辑推理”，它们需要的上下文内容截然不同。全部使用Reuse只会产出毫无价值的回答。

去年还是先有车、再修路，今年已是先修路、再造车。

模型性能强弱、性价比高低已不是叙事核心，唯有掌握入口，才能吸引更多用户。

但梁文锋并非第一个这样做的人。姚顺雨的Hy4 preview走在他前面。

Hy4 preview官方技术报告披露，通过腾讯内部的软件工程师、游戏开发者、金融分析师、安全专家，围绕他们实际交付的工作共建数据，再与CodeBuddy、WorkBuddy等产品协同设计。

在163名内部专家参与的203个真实工程任务盲测中，Hy4 preview平均得分2.99分，GLM-5.3为2.92分，Kimi K3为2.94分。

入口的重要性不言而喻，腾讯产品矩阵的优势在此得以充分发挥。

DSH和WorkBuddy本质上是同一种产品闭环，是整条训练流水线的有机组成部分。

值得注意的是，2026年7月24日，腾讯撤销大语言模型部与多模态模型部，合并成立基础模型部，由姚顺雨统一负责。他将混元多模态的发展重心放在了与Agent强相关的多模态理解上，这与梁文锋此前对多模态的看法高度一致。

如今，梁文锋又在模型层面与姚顺雨殊途同归，互相借鉴。

02 | 智谱与Kimi有类似的闭环吗？

智谱和月之暗面这两家并非没有工具——Kimi有Kimi Claw，智谱也有ZCode、AutoClaw和GLM Coding Plan。

但这些工具无法像DSH和WorkBuddy那样“反哺”模型。智谱和Kimi的工具是后挂的外壳，模型先在合成环境中练好，再套个产品给用户使用。

智谱目前把所有精力都放在了模型自进化上。8月31日，在智谱半年度业绩会上，唐杰首次明确表示，GLM-6.0是一款Full Self-Training（完全自训练）模型，与OpenAI的RSI（递归自我改进）思路相似。

唐杰表示，从预训练、中训练到后训练，全流程由模型自主完成，不再依赖人工编写代码、清洗数据、调参或设计实验。人类仅负责为模型设定目标以及做最终验收。

在GLM-5.3上，智谱已经展示了其自进化方法的一部分。GLM-5.3与5.2使用相同的基座，但性能实现了大幅提升。

具体做法是：GLM-5.3搭建了一套端到端的任务环境合成流水线，Agent从真实世界的软件工程和终端操作场景中收集种子任务，随后模型自主头脑风暴、生成大量可验证的任务草稿，再构建解题Agent，将这些草稿实例化为可运行的具体环境。

将Agent输出的回答进行精炼，依据研究员定义的评分标准检查并迭代优化任务质量。

最终产出了数千个多样化、可验证的终端Agent环境。GLM-5.3的长程任务环境数量是GLM-5.2的数十倍，而且全部由Agent自行构建。

月之暗面走的是“在自建合成环境中将Agent能力练到极致”的路线，相当于闭关修炼。

具体做法是通过AgentENV完成模型训练。这是一套基于Firecracker微虚拟机的分布式沙箱系统。

K3训练期间共运行了5100万个沙箱，支持暂停、恢复、复制和快照，专门解决长程Agent强化学习中“任务跑不完、环境容易污染”的基础设施难题。

Agent的强化学习训练与普通大模型RL存在本质差异。普通RLHF只需给模型一个prompt，模型生成回答、打分、更新参数即可，环境是无状态的，跑完即结束。

但Agent训练不同。模型需要在真实的运行环境中工作，一个任务可能执行数十步乃至数百步，耗时数分钟到数小时。

如果在执行过程中模型发现缺少某个依赖，它会自行在沙箱中安装依赖、修改配置文件以完成任务。

虽然任务完成了，但环境也随之改变，即被污染了。下一轮训练无法继续使用该环境，必须重新启动一个干净环境。重启过程约需数秒，看似不长，但在大规模训练时会浪费大量时间。

好比学开车，如果一上来就从科目三练起，必定成为马路杀手。所以需要驾校——一块没有行人和来往车辆的空地，专门练习起步、上坡和侧方停车。

AgentENV就是Kimi的驾校，让Kimi在训练时可以放开手脚，同时不受环境因素干扰。

因此智谱和月之暗面并非没有闭环，只是这个闭环未触达外界，练得再好也只是闭关修炼。

DSH和WorkBuddy都是入口，用户在真实环境中工作，数据自然回流，模型在实战中不断成长。

03 | 梁文锋要抢入口

就在DeepSeek V4.1 Flash发布的同时，DSH也宣布更新至v0.1.5版本。新版为插件作者提供了更多标准化的UI扩展入口，新增了文件上传、侧边栏文件预览等功能，优化了UI的性能与交互体验，并持续增加与模型研究前沿深度结合的实验性功能。

DSH刚发布时，与其说是产品，不如说是极客的玩具。光是安装就能劝退一大批人。

DSH的理念是“一切皆插件”——需要什么功能就自动安装对应插件，用完再卸载。结果是真正好用的插件全来自社区，包括整个UI也是如此。

到了0.1.5版本，DSH已从“框架”逐步蜕变为“产品入口”。除了适配V4.1 Flash外，其余全是面向终端用户的产品功能。

举个例子，0.1.5版本中Agent可以显式交付文件。生成的代码、文档、分析报告会直接作为文件出现在侧边栏，用户可预览、打开、定位到本地文件夹。

以往的DSH里，Agent只能将文字和代码输出到回答框，用户必须手动复制粘贴到文件中才行。

不仅如此，新版本还有一个极其实用的功能——“支持在保留已有KV Cache的情况下更新系统提示词”。

传统Agent存在一个痛点：长会话进行到一半时，若想修改系统提示词，比如让Agent从“写代码模式”切换到“写文档模式”，就必须清除整个KV Cache并重新prefill。

在1M上下文的条件下，切换系统提示词意味着Agent要花费数十万甚至上百万token去重新规划任务。

因此现有的Agent产品基本不允许中途修改系统提示词，Agent的角色和目标从会话开始就被锁定。

这说明DeepSeek正在有意识地将DSH从“极客工具”向前推进，使其成为面向更多用户的Agent产品。核心目的在于扩大入口，让更广泛的用户群体进入。

如今的DeepSeek，反而有些像卖剃须刀的吉列——刀架不赚钱甚至免费，主要靠刀片盈利。但真正锁定客户的恰恰是那个刀架。

DeepSeek也一样。想换新模型，复制粘贴一段API Key就解决了。但想换新Harness，则需要相当长的适应期。

因此DSH大量优化用户体验，不仅仅是为了继续“反哺”未来的DeepSeek V4.1 Pro乃至5、6、7、8代，更是为了抢占入口。

DeepSeek已经在朝着“入口公司”的方向迈进。