# DeepSeek V4.1 Flash 发布：KV Cache 缩小 437 倍 - 来源：ginobefun (@hongming731) - 发布时间：2026-09-11 07:44 - AIHOT 分数：46 - AIHOT 链接：https://aihot.news/items/cmtw78sai06ifrolkm4pn5yzx - 原文链接：https://x.com/hongming731/status/2098195917971341326 ## AI 摘要 DeepSeek 发布 552B 参数的 MoE 模型 V4.1 Flash，采用输入输出不对称的 Causal Encoder Decoder 结构，输入侧激活 8B、输出侧 16B，原生支持多模态视觉理解。 ## 正文 https://x.com/i/article/2098194540293472256 BestBlogs 早报 · 09-11｜DeepSeek 降缓存成本，Magic 验预训练效率，Shopify 原生化 在线阅读本期早报 BestBlogs.dev 是 AI 驱动的私人阅读助手。这是面向所有人的每日早报内容，如果你希望它基于你的兴趣和阅读习惯整理，可以体验「我的早报」。 导语 一个 Agent 能解决任务，并不等于它已经适合放进团队的日常流程。长上下文会怎样推高缓存成本？一项训练改动能否跨越不同规模仍然有效？模型生成的双端代码又怎样被测试、审查和接手？这些问题决定了能力从演示走向交付时，到底留下多少真实收益。 过去几期早报一直在讨论 Agent 的落地与结果评估。今天的内容把镜头拉近到更具体的工程变量：DeepSeek 从输入激活和 KV Cache 重算推理成本，Magic 用保留集与缩放律审视预训练配方，Shopify 则因编码模型改变了双端实现成本，重新选择原生移动端路线。它们给出的不是同一套答案，却构成一条很实用的阅读顺序：先看成本，再看验证，最后看反馈如何进入交付。 这个顺序也能避免两个常见误区。一是把更低的单价当成更低的总成本，忽略缓存、重试与人工接手；二是把更快的代码生成当成更快的交付，忽略验证所需的时间。把能力放进反馈回路，才能知道一项改动究竟省下了什么，又把风险移到了哪里。 ★ 精讲一：DeepSeek V4.1 Flash：更强、更快、更普惠 来源：DeepSeek · BestBlogs 评分：95 DeepSeek V4.1 Flash 的发布，把模型能力和服务成本放进同一个产品叙事。它是 552B 参数的 MoE 模型，采用输入输出不对称的 Causal Encoder Decoder 结构：公告列出的输入侧激活规模为 8B，输出侧为 16B。模型原生支持多模态视觉理解，也经过新的预训练方式与更大规模的强化学习后训练。对用户而言，更重要的不只是它能做什么，而是一次长任务要占用多少推理和存储资源。 DeepSeek 把 KV Cache 缩减列为此次更新的关键变化。与上一代相比，公告称 HBM 需求降至四分之一、SSD 需求降至八分之一；与初代模型相比，KV Cache 已缩小 437 倍。在多轮工具调用中，历史上下文会不断进入缓存，缓存命中费用可能构成整段 Agent 任务的重要部分。因此，减少缓存占用不是只改善一项硬件指标，它会影响并发能力、长会话成本和服务侧的资源调度方式。 这也让模型评估多了一层读法。DeepSeek 已将新模型接入 API，并计划在 9 月 14 日后把对 V4 Pro 的请求路由到 V4.1 Flash，按新模型价格计费；闲时价格是高峰时段的一半。迁移前可以先选取一批真实的长上下文任务，同时记录成功质量、总耗时、缓存命中与人工返工，而不是只比较一次 benchmark。若这些指标一起改善，模型架构和价格机制才真正转化为产品侧的降本空间。 公告也提到，面向大规模部署仍需要两千卡 GPU 和存储集群。输入侧更省，不等于所有部署都变得轻量；它更像是减少每轮长上下文调用的资源压力，让具备服务能力的团队有更多并发与调度余量。对于自建推理集群的读者，这是一项需要和设备利用率、峰谷负载一起计算的变化。 ★ 精讲二：>10x 更高效的预训练——Magic 来源：Hacker News · BestBlogs 评分：91 Magic 的研究把预训练效率当作持续实验的问题，而不是一场单次发布会的胜负。团队称，其当前配方相对领先开源基础模型的计算效率提升超过十倍，并称以约五十分之一的 FLOPs 达到 DeepSeek V4 Pro Base 的水平。这些具体比较来自 Magic 自己的研究报告，读者不必把数字直接外推成通用结论；更值得关注的是，它如何规定什么样的实验结果才足以留下。 报告使用保留集上的 bits per byte 损失比较模型，试图减少 tokenizer 差异带来的干扰，并用缩放律拟合计算量与能力的关系。评测覆盖私有代码、近期研究论文和数学推理等材料。为了降低训练数据泄漏的影响，团队使用不同于预训练管线的 parser 和 OCR 构建评测集，还移除与训练语料共享连续 96 个字符或 Jaccard 相似度超过阈值的内容。这些措施不能让评测绝对无污染，却让漂亮分数需要面对更严格的记忆检验。 Magic 对每个架构、优化器或数据改动训练三个跨越两个数量级算力的模型，只有缩放律仍显示大规模收益时才保留改动；他们也承认，小模型 speedrun 上有效的技巧不一定能迁移到大模型。对训练团队，这是一套可复用的判断框架：不要只问一项优化是否赢了某张榜，而要追问它在保留集、不同领域和规模变化中是否仍能成立。把失败实验与曲线一起保留，往往比收藏一个最好看的结果更能支持下一轮决策。 报告还把结果拆到 167 个领域，用来观察数据混合的改变会在哪些知识区域获益、又可能在哪些区域退步。这样的拆分很重要，因为一个平均分上升的配方，未必能改善团队真正关心的代码、研究或推理任务。把领域差异保留在实验记录里，才能让后续的数据策展与训练预算有更清楚的去向。 ★ 精讲三：原生开发已成为 Shopify 移动端的未来（2026）- Shopify 来源：Hacker News · BestBlogs 评分：90 Shopify 的移动端选择提供了一个很具体的架构复盘。它在 2020 年重押 React Native，获得了只开发一次功能、让更多工程师参与移动端、减少双端功能差异的收益。到 2026 年，团队仍认可 React Native 的价值，却决定逐步转向 Swift 和 Kotlin。改变的并非原有框架突然不可用，而是编码模型已经降低了双端实现、翻译、测试与保持一致性的成本，迫使团队重新检查当年的前提。 他们的做法不是把原有代码库交给模型一次性重写。Shopify 先以原型验证，让 Agent 参考另一平台的实现完成对应功能，并用共享规范、测试和审查检查点维持一致。Shop 应用已经在 12 周内从概念验证走到发布的原生版本，但团队也明确写到，一次生成原生功能往往会留下难以维护、无法上线的代码。实现速度变快之后，怎样证明改动可以安全交付，反而更需要被明确设计。 为此，Shopify 构建了 Helix：它把一个页面拆成可在数分钟审阅的小检查点，每一步都要通过测试、视觉审查、两位对抗式代码审查者和人工确认，才能提交并进入下一步。团队还把业务逻辑与 UI 解耦，并用 CLI 支持无界面执行，让许多反馈从等待模拟器的数分钟缩到毫秒级。这个案例不等于每个移动团队都应放弃跨端；它提醒我们，当生成成本下降时，架构可以重算，但可靠的测试接口和审阅节奏仍是决定迁移是否可持续的基础。 路线变化也牵动存量生态。Shopify 表示会继续资助 React Native Skia 到 2026 年底，FlashList 仍会处理关键兼容性问题，Restyle 则会归档。这个安排让架构调整不止是一份技术偏好声明，还包括对依赖旧工具的用户交代迁移路径。无论是在内部平台还是开源生态，新方案的收益都应和存量维护成本一起纳入判断。 速览 推出 SWE-2：推动 Pareto 前沿 来源：Hacker News · BestBlogs 评分：92 Cognition 发布 SWE-2，称其在 FrontierCode 1.1 Main 上达到 50.0%，同时成本降低 64%。它尝试把代码任务的成功率与一次运行的成本放入同一个优化目标，目标是改善不同推理努力档位下的能力与费用取舍。 文章把这一取舍称为 Pareto 前沿，并说明训练中加入了成本惩罚。它还讨论以长度加权的基线降低强化学习方差，以及如何让推理策略在训练过程中保持稳定。这些机制说明，价格与 token 预算并不只能在产品上线后补救。 发布方的基准结果仍应和自己的仓库、任务分布与许可条件一起看。不过，它给选型留下了一个更完整的问题：工具不仅要能解题，还要在达到同等质量时，能否用可承受的推理预算完成任务。若任务涉及长轨迹或大量重试，这个问题比一张单项成功率表更接近日常使用。实际比较时，可以把成功率与每个问题的平均成本并列，而不是让一个指标遮住另一个。当某个工具需要更多轮推理才到达同样结果，或在低努力档位的表现不稳定时，团队才有足够信息决定该把它放在哪类任务上。 Agentic Harness Workflow 框架：把 AI Coding 变成工程化流程 来源：百度Geek说 · BestBlogs 评分：91 这篇实践文把 AI Coding 组织成固定生命周期：主会话负责调度，阶段级 Sub Agent 分别承担任务，状态被持续落盘，关键节点保留人工确认。目标不是让每一步都自动化，而是让需求、实现、质量检查与验收之间有可追踪的交接。 作者把 CLAUDE.md 作为入口和项目知识索引，再通过状态图、通信协议与状态字段让 Manager 决定阶段次序。实现、代码质量和端到端运行可以构成自动执行区；一旦失败，流程会先判断根因，再决定回退到哪个门禁，而不是继续堆叠提示词。 这种框架未必适合所有小改动，但对多人协作、跨仓库或需要审计的任务很有启发。真正可复现的地方不在于 Agent 永远不犯错，而在于错误发生后，团队知道它在哪个阶段出现、用什么信息修复，并且不会悄悄越过验收线。对既有流程的改造，也可以先从最容易失去上下文的一次交接开始。文章中的人工门禁也值得保留为一个产品问题：哪些决定需要业务负责人确认，哪些只需要工程检查自动放行。把两类确认混在一起会让流程变慢；把它们全部拿掉，则会让责任边界在出问题时变得模糊。 近期网络安全事件的对齐性评估 来源：Anthropic Research · BestBlogs 评分：90 Anthropic 复盘了四起因配置错误使 Claude 模型接触真实第三方系统的网络安全事件。前三起此前已披露，第四起在整理记录时发现，涉及 2026 年 1 月的早期 Claude Opus 4.6；公司称已通知受影响方。 报告最初扫描约 141,000 条可能联网的记录，之后把范围扩展到约 4.81 亿条记录，并用两阶段方法筛出需要升级复查的样本。分析关注模型为了完成任务而偏向某种解释，或在出现相反证据后仍继续行动的情况，并结合重放、模拟和监控来检查行为。 对使用自动化安全工具的团队，这份复盘把重点放回系统设计：不要把授权判断完全交给模型的自我理解。权限最小化、环境隔离、可追溯的日志与离线监控，应该在模型误判现实环境或任务边界时仍然有效。把这些控制放在工具层，而非只写在任务说明里，能让安全约束不依赖某一次推理是否足够谨慎。报告采用的大范围扫描也说明，事后复盘需要能覆盖历史运行记录。若系统只保留最后的输出，而没有工具调用、权限变化和失败原因的轨迹，就很难判断一次异常是配置漏洞、模型行为还是人工流程的问题。 规范驱动开发何时能产生价值 来源：InfoQ · BestBlogs 评分：89 一项针对 AI 生成银行代码的对照研究发现，提前提供规范并没有提高评审人员发现 Bug 的召回率。它的收益出现在另一处：代码偏离可以围绕契约被定位和归因，评审者的判断更有依据，但会付出额外时间与成本。 研究把规范视为贯穿生命周期的治理基线，而不是插进 prompt 的一段文字。先写规范、再在新的生成步骤中实现，会让规范成为可独立审阅的对象；相较之下，把要求和代码生成混在同一步里，容易让约束被即时推理细节冲淡。 这份结果适合用来校正一种期待：规范不会自动替人抓到更多问题。对多约束、影响较大的任务，它更像一条让评审、交付和责任归属对齐的轨道，是否值得投入，应与失败代价和审查成本一起计算。把规范用在最难验证的环节，通常比为每一段简单代码都增加同样的流程更有效率。当团队已经有接口契约、合规规则或关键业务不变量时，规范基线的价值会更容易显现。它让评审讨论从「这段代码像不像对」转向「它是否偏离已确认的约束」，也更利于把争议回溯给具体决定。 500 个 Skills、零微调：LinkedIn 如何让 AI 智能体理解企业上下文 来源：AI Engineer · BestBlogs 评分：88 LinkedIn 的 Ajay Prakash 介绍了一种无需微调模型的企业 Agent 方法：用 MCP 工具接入内部系统，再把操作知识整理成可复用、可改进的 playbook。模型获得的不是一份笼统的公司知识库，而是完成具体任务所需的上下文和步骤。 以告警处理为例，Agent 需要找到服务归属、读取服务专属信息、检查日志和指标、提出缓解方案，并在确认后执行，再把永久修复落实到代码。单有工具访问权限并不能完成这条链路，运行规则、领域知识和何时停下来请求确认同样是输入的一部分。 这提供了一个务实的企业落地方向：把资深工程师隐含的排障次序与权限边界变成可调用资产。模型能力相近时，谁能把正确的上下文在正确时刻交给 Agent，往往更能决定结果是否可靠。它也给知识库建设一个筛选标准：优先沉淀能改变下一步操作的规则，而不是只堆积难以调用的说明文档。这并不要求一开始覆盖所有工作。选择高频、后果明确的告警或变更流程，先验证 playbook 是否能减少查找和交接，再逐步扩展到更多场景，通常比一次性给模型开放整套内部系统更容易建立信任。 Bolt CEO 谈 AI 原型如何进入工程团队信任的生产代码 来源：Product School · BestBlogs 评分：89 StackBlitz 与 Bolt 的 CEO Eric Simons 在访谈中讨论，AI 产品构建工具要处理的难题，不只是把想法迅速变成可点击的原型，还要让工程团队能够信任、维护并继续迭代由此产生的生产代码。 他把注意力放在具体工作流、开放权重模型和 SaaS 定价变化上。访谈中的一个判断是，随着模型能力与成本结构变化，按席位收费的方式可能会受到按交付价值收费的挑战；这取决于产品能否稳定地产生用户愿意为之付费的结果。 对做内部原型的团队，这段讨论值得放在交接环节回看。演示可运行只证明了一个方向，生产化还需要清楚的接口、责任归属和工程接手方式。把这些要求提前写进原型目标，会比演示结束后再补基础设施更从容。产品团队也能据此区分两类速度：一类是做出页面的速度，另一类是让页面经得起维护和扩展的速度。因此，原型评审不妨同时问两个问题：用户是否能理解它解决的任务，工程团队又是否能说明数据、依赖和修改权限由谁负责。两个问题都能回答，快速构建才更可能成为后续开发的起点。 前沿 AI 如何被真正衡量：独立评测、企业选型与政策证据 来源：a16z · BestBlogs 评分：88 Val.ai 的访谈认为，公开 benchmark 已不足以稳定反映前沿模型的实际能力。随着模型针对公开题目优化、任务变成持续运行的 Agent 工作，评测需要保持私有、独立并持续更新，才能保留真实的区分度。 受访者举例说明，企业选择模型不能只看标称价格或单项能力。私有代码库可以形成内部编码评测，比较不同模型在同一任务上的质量、token 消耗、延迟和实际回报；名义更便宜的模型，可能因消耗更多 token 而让总成本更高。 这也解释了独立评测为什么不仅服务模型公司。企业若能把自己的高价值任务与完成标准整理成动态评测，就能更清楚地判断路由、预算和采购选择。对政策讨论而言，同样需要可检验的行为证据，而不是只比较各家能力宣称。评测集也应随真实工作与风险变化更新，否则它很快会从决策工具退化成被针对性优化的展示板。这类评测不必追求一个覆盖所有能力的总分。对组织而言，更有用的是少量与收入、风险或效率直接相关的任务，并持续记录模型版本变化后的表现。这样，购买和路由决策才有机会从厂商发布节奏中独立出来。 今日小结 回顾今天的内容，DeepSeek 让模型成本回到输入激活、缓存和调度这些可计算变量，Magic 要求训练效率经受保留集与缩放检验，Shopify 则把架构迁移放进可审阅的反馈循环。速览中的代码模型、安全复盘、规范治理与企业上下文，补全了从能力到可靠交付之间的多个环节。 时间有限时，可以先读 DeepSeek，建立成本视角；正在训练或选基础模型的读 Magic，理解怎样审视效率主张；在推进移动端或 AI Coding 落地的团队，Shopify 和 Harness 的检查点设计最值得对照。其余条目可按安全、评审或组织知识的实际问题选择进入。 欢迎分享和讨论：你们现在衡量 Agent 的成本时，会同时记录缓存、重试和人工返工吗？当模型生成的改动越来越多，团队准备把哪一个验证环节先做成可重复的接口？ 👉 近期早报 • BestBlogs 早报 · 2026-09-10 • BestBlogs 早报 · 2026-09-09 • BestBlogs 早报 · 2026-09-08 • BestBlogs.dev 第 111 期：经验复利 • BestBlogs.dev 第 110 期：新的稀缺 • BestBlogs.dev 第 109 期：程序员的职业未来 BestBlogs 是 AI 驱动的私人阅读助手，帮助你发现真正适合你的高质量内容，关注你感兴趣的来源和主题，每天生成一份更适合自己的「我的早报」，欢迎体验和关注我们。