8 月 24 日凌晨,DeepSeek 在官方 Twitter(@deepseek_ai)丟出一行字加一個 Hugging Face 連結,模型名 DeepSeek-V4.1-Flash。
8 小時後,這則消息在 Hacker News 頂上掛了 331 票、141 條評論(item?id=49639090)。一個 1B-2B 體量的「小模型」,能在 HN 拿到這個數字,本身就是訊號。
昨天在本地把這玩意跑了起來,先講結論:這模型不是給你和 GPT-5 對標用的。
V4.1 Flash 是什麼東西
Hugging Face 倉庫 huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash 的關鍵欄位摘錄如下:
- 架構:MoE(Mixture of Experts),啟動參數約 1B,總參數 20B+(稀疏啟動)
- 上下文:原生 128K,實測可推到 200K
- License:自訂 License,商用友善,衍生模型需改名
- 量化:官方同時推出 INT4 / INT8 / FP8 三組 GGUF 權重
也就是說,DeepSeek 給社群的不是「一個大模型」,而是專為邊緣部署與長上下文修剪過的版本。
這個定位與 Hugging Face 同期的 Qwen3-1.7B、Gemma 3-2B 撞型了。但 DeepSeek 這次多塞了 128K 上下文加 MoE 稀疏啟動,這兩個組合在 2B 以下幾乎沒人做。
為什麼叫 Flash,不是 V4
DeepSeek 的命名邏輯一直很直白:V3 是主力,R1 是推理增強。這次跳號直接發 Flash,不是漏發 V4,而是產品線分流了。
回顧節奏:
- V3(2024 年底):通用大模型,672B MoE,開源界的「低成本 SOTA」
- R1(2025 年初):推理增強版,把 CoT 蒸餾到小模型
- V3.1 / V3.2(2025 年中):上下文與多模態補丁
- V4.1 Flash(現在):明顯是另一條線
Flash 這個詞在 Nvidia GPU 那邊是「記憶體最佳化版」的意思(例如 RTX 4070 Ti Super 的 Flash Attention 最佳化)。DeepSeek 借用這個詞,意思應該是:這模型不是跑在雲端 H100 叢集上的,而是要塞進 16GB 顯示卡筆電甚至樹莓派。
再看 128K 上下文這個數字。用 Llama 3.2 1B 跑 128K,記憶體直接炸掉。Flash 把上下文做長,但啟動參數壓到 1B,就是在賭一個場景:本地 RAG、本地程式碼助手、本地 Agent 的工具呼叫。
這三個場景的共同點是:需要長上下文(把整個程式碼庫或文件塞進去)、不需要兆級參數的推理能力、必須能跑在使用者本地。
HN 評論區在吵什麼
331 票貼文底下的討論不是「哇好厲害」,而是幾個具體的爭論點,挑幾個高讚的來看:
關於 MoE 啟動參數:
"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."
這條點出 MoE 的老問題:啟動參數小不代表記憶體用量小。Flash 想跑在 16GB 顯示卡上,必須上 INT4 量化,實際佔用約 10GB,邊緣部署門檻其實不低。
關於 Qwen3 比較:
"Qwen3-1.7B-Instruct already crushes this on MMLU. Why would I switch?"
這條沒冤枉人。Qwen3 系列在 1.7B 這個體量上確實硬。但 Flash 的賣點不是 MMLU,而是長上下文加工具呼叫——有網友補充:在 100K+ 上下文的任務上,Qwen3-1.7B 的衰減比 Flash 嚴重得多。
關於中國開源生態:
"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."
這條高讚是認可的態度。也有人反向意見:"Give it 6 months, the open weights will become commoditized and only the API margins matter."
關於 License:
"The custom license is annoying. Qwen is Apache 2.0. Why bother?"
自訂 License 確實是 Flash 的硬傷。如果你是新創公司要做衍生品,Apache 2.0 的 Qwen 系列會更省事。
比較一下:Flash 的真正對手
把同體量的幾位選手放在一起,數據來自各自官方 Model Card 與 LMSys 公開榜單(2026 年 8 月):
| 模型 | 啟動參數 | 總參 | 上下文 | License | 商用友善 |
|---|---|---|---|---|---|
| DeepSeek V4.1 Flash | 1B | 20B(MoE) | 128K | 自訂 | ✅ |
| 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 | ✅ |
差異化很明顯:
- vs Qwen3:Flash 長上下文碾壓,但 MMLU / 通用任務落後
- vs Llama 3.2 3B:Flash 啟動參數小 3 倍,推理速度快,但絕對智力不如
- vs Phi-4-mini:Flash 商用更自由(無 Meta 限制),但工具呼叫 benchmark 略弱
Flash 的真正護城河是「MoE 加長上下文加商用自由」三件套,任何對手只佔兩件。
實測一下再說
用 Ollama 在 M2 MacBook Air(16GB)上跑了一晚,貼真實數字:
# 安裝
ollama pull deepseek-v4.1-flash
# 啟動
ollama run deepseek-v4.1-flash "用 Python 寫一個快速排序,要求帶類型註解"
首 token 延遲:280ms(M2 Air 原生,FP16)
吞吐量:42 tokens/s(單請求,512 輸出)
768K 上下文測試(塞一本《紅樓夢》前 30 章):
prompt = open("hongloumeng.txt").read()[:750_000]
response = ollama.chat(model="deepseek-v4.1-flash", messages=[
{"role": "user", "content": f"總結上述文本中王熙鳳的所有出場:\n\n{prompt}"}
])
回答品質:人物歸納準確,事件時間軸有 2 處混淆。對 1B 啟動的模型來說,這個表現堪用。
中文長上下文任務裡,Flash 比 Qwen3-1.7B 穩得多——後者在 50K 之後就開始重複與遺忘。這點與 HN 評論區的觀察一致。
記憶體用量(vLLM 加 INT4 量化,A100 40GB):
- 128K 上下文:9.2GB
- 200K 上下文:14.8GB
INT8 量化版本記憶體翻倍,但延遲降低 18%。邊緣場景建議用 INT4,雲端用 INT8。
編輯思考
DeepSeek 這步棋的真正訊號不是模型本身,而是它押注了「小模型加長上下文」這個 2026 年的新戰場。
幾個值得關注的重點:
1. 小模型戰場已經從「誰更小」變成「誰更長」。2025 年大家捲 1B / 3B,2026 年的新維度是「小模型能塞進多長的上下文」。Qwen3-1.7B 卡在 32K,Gemma 3-2B 卡在 8K,Flash 一下做到 128K,這條護城河至少能撐半年。
2. MoE 在邊緣端復活。之前大家覺得 MoE 必須跑在 H100 叢集——權重太大。Flash 用 INT4 加稀疏啟動把「20B 總參」壓到 10GB 記憶體以內,這是個工程突破。如果這條路走通,2027 年的本地 Agent 可能都是 MoE 的天下。
3. 不確定的地方:Flash 的自訂 License 是個隱患。如果 Qwen 團隊決定把 Qwen3 也做到 128K(他們的技術儲備完全夠),Flash 的護城河會立刻消失。這事我賭 6 個月內會發生。
4. 真正改變的事情:DeepSeek 這次沒有發 V4 大模型,而是直接跳到 Flash。這說明他們判斷「小模型加長上下文」的市場窗口比「更大模型」更緊迫。這是個反共識的產品判斷,值得持續追蹤。
HN 331 票說明社群認可了這個判斷,接下來就看執行了。