# DeepSeek AI 发布 DeepSeek-V4.1-Flash：1M 上下文、FP4 KV 缓存与跨层注意力复用

- 来源：MarkTechPost（RSS）
- 作者：Asif Razzaq
- 发布时间：2026-09-10 15:31
- AIHOT 分数：87
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.news/items/cmtv7kmzk02vdrok9y0y8njiv
- 原文链接：https://www.marktechpost.com/2026/09/10/deepseek-ai-released-deepseek-v4-1-flash-with-1m-context-fp4-kv-cache-and-cross-layer-attention-reuse

## 精选理由

文章拆解了 KV 缓存压缩和预精简架构的具体做法，读者可以对照其工程路径评估长上下文部署成本。

## AI 摘要

DeepSeek AI 发布多模态 MoE 模型 DeepSeek-V4.1-Flash，552B 主干加 196B Engram 参数，上下文窗口 1M，prefill 激活 8B 参数、decode 激活 16B，全局 KV 缓存降至每 token 890 字节，约为 DeepSeek-V4-Flash 的 1/4、DeepSeek-V1 的 1/437。

## 正文

长时程智能体已经把 LLM 服务变成了一种输入密集型负载。反复的预填充和百万级 token 上下文留下的 KV cache 给 HBM、SSD 容量和带宽带来了巨大压力。DeepSeek AI围绕这一瓶颈打造了其最新发布。DeepSeek-V4.1-Flash是一款多模态混合专家模型，拥有 552B 骨干参数、196B 额外 Engram 参数，以及 1M token 上下文窗口。它在预填充阶段每个 token 激活 8B 参数，在解码阶段激活 16B。核心数字是每 token 全局 KV cache 占用仅 890 字节，约为 DeepSeek-V4-Flash 的 1/4，比 DeepSeek-V1 小约 437 倍。

它能部署吗？能。开放权重以MIT 许可证发布，在 Hugging Face 上提供 vLLM、SGLang 和 Transformers 路径，研究团队还描述了一个公开 API，设有低、高、最高三档推理层级。

因果编码器-解码器：预填充减半

40 层骨干被拆分为 20 层因果编码器和 20 层解码器。受YOCO启发，解码器不计算自身的全局 KV。相反，逐层投影权重从编码器最终隐藏状态中推导出它。因此提示词 token 止步于编码器，这几乎将预填充计算量减半。128 token 窗口的滑动窗口注意力（SWA）仍在每一层运行，因此解码器 SWA 状态只需重放最后 128 个提示词 token 即可重建。研究团队称之为解码器 SWA 有界重放。

压缩稀疏注意力 2（CSA2）

DeepSeek-V4 将 CSA 与高度压缩注意力（Heavily Compressed Attention）混合使用。V4.1-Flash 采用纯 CSA2，并沿层轴压缩缓存大小。每个 CSA2 层被静态分配为以下 3 种模式之一：

Full：计算自身的主 KV，从中投影出 indexer K，并选出全新的 Top-512 索引。

Reindex：复用上一个 Full 层的主 KV 和 indexer K，但用自身的 indexer Q 对它们重新打分。

Reuse：同时复用主 KV 和最新的 Top-K 索引，完全跳过 indexer。

每一层都保留自己的主 Q 和 SWA KV。18 个 CSA2 编码器层采用压缩比 2，分为 3 组、每组 6 层（1 个 Full，5 个 Reuse）。20 个解码器层采用压缩比 1，分为 5 组、每组 4 层：第一组为 Full 加 3 个 Reuse，其余为 Reindex 加 3 个 Reuse。解码器中的分层稀疏索引器（Hierarchical Sparse Indexer）让 Full 层构建一个最多 16,384 个位置（2,048 个块，每块 8 个）的候选池，从而使后续的 Reindex 层只需对有限集合打分，而非整个上下文。

FP4 KV、有界重放及其他扩展

主 KV 缓存被量化为 E2M1，每 16 个通道配一个 E4M3 缩放因子，遵循 NVFP4 但不含其全局缩放因子。这通过后训练阶段的量化感知训练引入，相比 V4 的 FP8 缓存几乎将存储减半。

在部署层面，SWA KV 不再持久化到 SSD。它驻留在一个分布式池中，该池从主机 DRAM 的 10% 中划分而来，TTL 为分钟级，而全局 KV 则保证 72 小时的生命周期。未命中时，Encoder SWA Bounded Replay 只重新计算 128 个 token，而非层数乘以窗口大小。

其他改动包括 Single-Pass mHC，它将输入混合系数偏移一个 block，使融合的 Mega-mHC kernel 能将激活内存流量减半；位于第 1 层和第 14 层的 Engram 条件记忆模块；在预训练后以冻结主干训练的 DSpark 投机解码；以及 head-wise Muon。当上下文从 4K 增长到 1M 时，单 token 解码 FLOPs 仅增加 1/4。

训练与结果

预训练覆盖 45T 多模态 token，文本与多模态比例为 7:1。稀疏注意力从零开始以 64K 序列长度训练，无稠密预热，并在 34T token 时将上下文扩展至 1M。基础模型在世界知识和编程方面与 DeepSeek-V4-Pro-Base 相当，而总参数量仅为其 1/3，激活参数量仅为其 1/4。

后训练未引入新算法。收益来自大规模合成可验证的智能体任务、跨异构脚手架（Claude Code、Codex、OpenCode、Pi、mini-SWE、DeepSeek Harness）的 RL，以及来自 40 多个教师模型的 on-policy 蒸馏。精选的最大努力结果如下：

基准测试DS-V4.1-FlashDS-V4-FlashOpus-5GPT-5.6 Sol

Terminal-Bench 2.190.682.789.188.8

DeepSWE v1.174.254.474.073.0

Terminal-Bench 4.031.27.051.839.9

Automation-Bench54.837.750.345.8

GPQA Diamond90.989.993.494.1

Codeforces（评分）34713289n/an/a

交互式讲解

核心要点

全局 KV cache 降至每 token 890 字节，约为 V4-Flash 的 1/4，比 V1 低 437 倍。

CED 在 prefill 阶段仅运行 20 个编码器层，激活 8B 参数，而 decode 阶段为 16B。

CSA2 在 Full、Reindex 和 Reuse 模式下跨层共享主 KV、indexer K 和 Top-K 索引。

FP4 主 KV 加上 SWA 有界重放，将持久缓存削减至 V4-Flash 的约 1/8。

在 Terminal-Bench 2.1 和 DeepSWE v1.1 上以 MIT 权重击败 Opus-5 和 GPT-5.6 Sol。