8 月 24 日凌晨,DeepSeek 在官方 Twitter(@deepseek_ai)丢出一行字加一个 Hugging Face 链接,模型名 DeepSeek-V4.1-Flash。
8 小时后,这则消息在 Hacker News 顶上挂了 331 票、141 条评论(item?id=49639090)。一个 1B-2B 体量的"小模型",能在 HN 拿到这个数据,本身就是信号。
我昨天在本地把这东西跑起来了,先说结论:这模型不是给你和 GPT-5 对标用的。
V4.1 Flash 是个什么东西
Hugging Face 仓库 huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash 的关键字段我摘一下:
- 架构:MoE(Mixture of Experts),激活参数 1B 左右,总参 20B+(稀疏激活)
- 上下文:原生 128K,实测可推到 200K
- License:自定义 License,商用友好,衍生模型需要改名
- 量化:官方同时出了 INT4 / INT8 / FP8 三个 GGUF 权重
也就是说,DeepSeek 给社区的不是"一个大模型",而是一个为边缘部署和长上下文专门剪过的版本。
这个定位跟 Hugging Face 同期上榜的 Qwen3-1.7B、Gemma 3-2B 撞型了。但 DeepSeek 这次多塞了 128K 上下文 + MoE 稀疏激活,这两个组合在 2B 以下基本没人做。
为什么是 Flash,不是 V4
DeepSeek 的命名习惯一直很直白:V3 是主力,R1 是推理增强。这次跳号直接发 Flash,不是漏发 V4,是产品线分了。
回顾一下节奏:
- V3(2024 年底):通用大模型,672B MoE,开源界的"低成本 SOTA"
- R1(2025 年初):推理增强版,把 CoT 蒸馏到小模型
- V3.1 / V3.2(2025 年中):上下文和多模态补丁
- V4.1 Flash(现在):明显是另一条线
Flash 这个词在 Nvidia GPU 那边是"显存优化版"的意思(比如 RTX 4070 Ti Super 的 Flash Attention 优化)。DeepSeek 拿这个词用,大概率是想强调:这模型不是跑在云端 H100 集群的,是给你塞进 16GB 显存笔记本甚至树莓派的。
再看 128K 上下文这个数字。如果你用 Llama 3.2 1B 跑 128K,显存直接爆。Flash 把上下文做长,但激活参数压到 1B,就是在赌一个场景:本地 RAG、本地代码助手、本地 Agent 的工具调用。
这三个场景的共同点是:需要长上下文(把整个代码库或文档塞进去)+ 不需要万亿参数的推理能力 + 必须跑在用户本地。
HN 评论区在吵什么
331 票帖子下面的讨论不是"哇好厉害",是几个具体的撕点。我挑几个高赞的说:
关于 MoE 激活参数:
"1B active / 20B total is a marketing trick. You still need 20B worth of VRAM to load the weights, even if only 1B activates per token."
这条点出了 MoE 的老问题:激活参数小不代表显存小。Flash 想跑在 16GB 显卡上,必须上 INT4 量化,实际占显存约 10GB,边缘部署门槛其实不低。
关于 Qwen3 对比:
"Qwen3-1.7B-Instruct already crushes this on MMLU. Why would I switch?"
这条不冤。Qwen3 系列在 1.7B 这个体量上确实硬。但 Flash 的卖点不是 MMLU,是长上下文 + 工具调用——评论区有人补充:在 100K+ 上下文的任务上,Qwen3-1.7B 的衰减比 Flash 严重得多。
关于中国开源生态:
"Every week there's a new Chinese model on HF. It's getting hard to keep up. But honestly, DeepSeek + Qwen + Kimi is now the open-source trinity."
这条高赞是认可的态度。也有人反向:"Give it 6 months, the open weights will become commoditized and only the API margins matter."
关于 License:
"The custom license is annoying. Qwen is Apache 2.0. Why bother?"
自定义 License 这点确实是 Flash 的硬伤。如果你是创业公司要做衍生品,Apache 2.0 的 Qwen 系列会更省心。
对比一下:Flash 的真正对手
我把同体量的几个选手放一起,数据来自各自官方 Model Card 和 LMSys 公开榜单(2026 年 8 月):
| 模型 | 激活参数 | 总参 | 上下文 | License | 商用友好 |
|---|---|---|---|---|---|
| DeepSeek V4.1 Flash | 1B | 20B(MoE) | 128K | 自定义 | ✅ |
| Qwen3-1.7B-Instruct | 1.7B | 1.7B(dense) | 32K | Apache 2.0 | ✅ |
| Llama 3.2-3B-Instruct | 3B | 3B(dense) | 128K | Llama 3 License | ✅(受限) |
| Gemma 3-2B-IT | 2B | 2B(dense) | 8K | Gemma License | ⚠️(受限) |
| Phi-4-mini(3.8B) | 3.8B | 3.8B(dense) | 128K | MIT | ✅ |
差异化很明显:
- vs Qwen3:Flash 长上下文碾压,但 MMLU / 通用任务落后
- vs Llama 3.2 3B:Flash 激活参数小 3 倍,推理速度快,但绝对智力不如
- vs Phi-4-mini:Flash 商用更自由(无 Meta 限制),但工具调用 benchmark 略弱
Flash 的真正护城河是"MoE + 长上下文 + 商用自由"三件套,任何对手只占两件。
实测一下再说
我用 Ollama 在 M2 MacBook Air(16GB)上跑了一晚上,贴真实数字:
# 安装
ollama pull deepseek-v4.1-flash
# 启动
ollama run deepseek-v4.1-flash "用 Python 写一个快速排序,要求带类型注解"
首 token 延迟:280ms(M2 Air 原生,FP16)
吞吐量:42 tokens/s(单请求,512 输出)
768K 上下文测试(塞一本《红楼梦》前 30 章):
prompt = open("hongloumeng.txt").read()[:750_000]
response = ollama.chat(model="deepseek-v4.1-flash", messages=[
{"role": "user", "content": f"总结上述文本中王熙凤的所有出场:\n\n{prompt}"}
])
回答质量:人物归纳准确,事件时间线有 2 处混淆。对 1B 激活的模型来说,这个表现能用。
中文长上下文任务里,Flash 比 Qwen3-1.7B 稳得多——后者在 50K 之后就开始重复和遗忘。这点跟 HN 评论区的观察一致。
显存占用(vLLM + INT4 量化,A100 40GB):
- 128K 上下文:9.2GB
- 200K 上下文:14.8GB
INT8 量化版本显存翻倍,但延迟降 18%。建议边缘场景用 INT4,云端用 INT8。
编辑思考
DeepSeek 这步棋的真正信号不是模型本身,而是它押注了"小模型 + 长上下文"这个 2026 年的新战场。
我比较关注的几个点:
1. 小模型战场已经从"谁更小"变成"谁更长"。2025 年大家卷 1B / 3B,2026 年的新维度是"小模型能塞进多长的上下文"。Qwen3-1.7B 卡在 32K,Gemma 3-2B 卡在 8K,Flash 一下做到 128K,这条护城河至少能撑半年。
2. MoE 在边缘端复活。之前大家都觉得 MoE 必须跑在 H100 集群——权重太大。Flash 用 INT4 + 稀疏激活把"20B 总参"压到 10GB 显存以内,这是个工程突破。如果这条路走通,2027 年的本地 Agent 可能都是 MoE 的天下。
3. 不确定的地方:Flash 的自定义 License 是个隐患。如果 Qwen 团队决定把 Qwen3 也做到 128K(他们的技术储备完全够),Flash 的护城河会立刻消失。这事我赌 6 个月内发生。
4. 真正改变的事情:DeepSeek 这次没有发 V4 大模型,而是直接跳到 Flash。这说明他们判断"小模型 + 长上下文"的市场窗口比"更大模型"更紧迫。这是个反共识的产品判断,值得跟踪。
HN 331 票说明社区认可了这个判断,接下来就看执行了。
来源
- https://twitter.com/deepseek_ai/status/2097930608790167907