本文转载自微信公众号「Z Finance」，点此查看原文。
导语
9月10日，DeepSeek V4.1 Flash正式开源。这个552B的新模型引入了新的**CED（Causal Encoder-Decoder）**架构：prefill阶段每个token只激活8B参数，decode阶段激活16B，KV Cache大幅缩小，Agent任务下的部署成本被明显压低。
前两日，它已先行开启中间版本内测，原生多模态、推理速度和成本是当时的关键词，视觉与空间感知的提升也让外界对它的任务理解能力有了更多期待。沿着ZPedia一贯的测评思路，我们更关心这些能力落到真实任务里还剩多少：多模态理解与执行效率能不能同时兑现，模型能不能自己把活干完，交付物的数据、交互和画面是否经得起检查。
为此我们准备了五道题，从还原一张网页截图，到数据看板、规则模拟、3D交互和15秒视频生成，覆盖的都是模型容易“看起来完成”的场景。
组织层面的信号也指向同一个方向：DeepSeek同期放出约150个工程岗位，全部投向服务端与Agent弹性计算，没有一个研究岗；Harness也更新到v0.1.5，和V4.1 Flash一起训练迭代。模型和Harness同时加码，竞争的重心正在向交付链路转移。
聚焦原生多模态：推理速度更快，空间感知超预期
DeepSeek早在8月就给Flash加入了看图能力。
8月21日上线的V4-Flash-Vision-Exp，支持通过API输入图片。按官方当时的介绍，这个版本保留了Flash的文本能力，同时加强了Agent视觉任务。这次V4.1 Flash则采用了原生多模态的支持，并进一步增强了视觉感知和空间感知能力。
官方这张图给了四项Agent分数。V4.1 Flash全面领先Kimi-K3：Terminal-Bench 3.0为30.0比17.7，DeepSWE v1.1为74.2比67.5，CyberGym为88.1比80.0，Automation-Bench为54.8比46.7；但相比闭源模型仍有缺口。多模态表现上，V4.1 Flash视觉推理和专业图表解读超过Kimi-K3，前端开发、办公自动化这类看截图做自检的流程也能成功闭环。
下面两张图示的任务，是要求模型把视频重建成能走进去的房间。对比Astra的效果，DeepSeek V4.1 Flash在重建的细节上会有缺失，空间和排布上不够准确；同时视频截图不全就开工，导致信息丢失；迭代时只专注于搞渲染，各种穿模问题还是遗留问题，在自检上有待改进，不过也算大幅度超出预期。
DeepSeek V4.1 Flash空间感知效果，图源：测试用户Subly7
Astra空间感知效果，图源：测试用户Subly7
接下来，很多模型公司会把重点放在3D任务上。不单是Blender，网页三维、工业CAD、镜头动画、多张照片及视频重建，以及渲染自检，都会变成比拼项。看懂空间不够，还得在常用的三维软件里把东西做出来。
速度方面，社区有人报出了约350 tokens/s的平均解码速度。
NVIDIA开发者论坛转帖：平均解码速度约为350 tokens/s
DeepSeek-V4.1-Flash的推理速度提升，来自prefill、长上下文decode、投机解码和底层执行几个环节的开销压缩。
首先，它引入**Causal Encoder-Decoder（CED）**架构，将40层网络拆成20层因果编码器和20层解码器：在处理长prompt时，绝大多数输入token只需完整经过前半部分encoder，decoder所需的global KV则直接由encoder最后一层的hidden states通过逐层投影生成，而不是让所有prompt token再跑一遍后半模型。
再配合Decoder SWA Bounded Replay，将长序列prefill的复杂度从O(NL)降到近似O(NL/2)，也就是接近砍掉一半输入侧计算。
在生成阶段，DeepSeek又用**Compressed Sparse Attention 2（CSA2）**降低长上下文带来的KV和索引成本：CSA2把注意力层分成Full、Reindex和Reuse三种模式，只有Full层完整生成global KV并执行Top-K检索，Reindex层复用前层的main KV和indexer K、只重新打分选择新的Top-K，而Reuse层连索引计算都省掉，直接复用之前的KV和Top-K结果。
与此同时，Hierarchical Sparse Indexer让第一层indexer从完整上下文中先筛出一个较大的candidate pool，后续层只在这个固定候选集合内重新选择Top-K，因此后续indexing的成本不再随上下文长度线性增长，这也是其在百万token上仍能控制单token decode开销的关键。
为进一步提高实际出词速度，模型还加入DSpark speculative decoding：一个仅含3个Transformer block的轻量drafter会在一次forward中并行预测5个候选位置，再由confidence head估计这些候选被主模型接受的概率，并结合当前推理引擎的吞吐曲线动态选择verification length，目标是让每次昂贵的主模型验证尽可能推进更多有效token，从而提升整体tokens/s。
换句话说，DeepSeek-V4.1-Flash的“快”本质上是同时做到最关键的三项加速：CED把长输入的prefill计算近乎减半，CSA2让百万token上下文下的decode成本不随长度失控，以及DSpark通过多token投机解码直接提高生成吞吐。
此外，DeepSeek还把Single-Pass mHC与Mega-mHC kernel结合，通过将input-mixing coefficient错后一层使用来打破原有的数据依赖，使residual update、input mixing、coefficient prediction、pre-norm等操作能够高度融合，最终把activation memory traffic大致减半；同时将main KV cache压到FP4，降低HBM、SSD和互连上的数据搬运量，并通过fused attention、Mega-MoE、TopK等kernel fusion将大多数CSA2 Reuse层压缩到prefill约15个kernel、decode约11个kernel。这些改动更像是把前面这些架构收益真正兑现到GPU上，通过少搬内存、少占HBM、少启动kernel进一步把latency和throughput做上去。
招 150 个工程岗，把模型装进 Harness
9月8日新模型内测开放的同一天，DeepSeek放出约150个工程师岗位。只有两类：服务端开发，以及Agent弹性计算。重点面向2到10年经验的资深后端，值得一提的是，招聘信息里没有AI研究岗。
这已经不是DeepSeek今年第一次招人。6月的招聘方案是把所有部门至少扩大一倍，研究岗还在名单上；这一次150个名额全部划分给工程，投向也很集中：服务端覆盖研究平台、Agent框架、效率基建、API、线上服务和数据工程，弹性计算对应V4技术报告里的DSec（DeepSeek Elastic Compute），系统栈要从操作系统一直改到应用层调度。
团队负责人崔添翼把原因写得很直白：数据量、训练任务、Agent环境和用户请求一起涨上来，很多新方向、新系统、新需求都要落地，原有后端得跟着升级、维护，部分模块甚至要重写。
把这条线和模型能力放在一起，指向是清楚的：**模型侧在推多模态和效率，组织侧聚焦请求的稳定支持、环境的正常调度。**最直接的信号来自研究岗的数量：如果瓶颈还是“再发一个更强的研究模型”，这轮不会一个研究岗都不设。
扩招工程师进一步说明了DeepSeek的意图，后AI时代，决定模型和服务上限的是组织和管理模式：怎么组织好一个Lab，让动作不变形，从而提升GPU Efficiency。
9月10日，DeepSeek Harness更新到v0.1.5，而这一版与V4.1 Flash是绑在一起做的：模型在Harness的标准模式、程序化工具调用和极简模式下都做过专项训练和优化，修改系统提示词时还能保留已有的KV Cache。再往细看，父子Agent支持双向通信，用户可以排队、编辑待发消息或随时插话、中断任务，Web端补上了文件上传与侧边栏预览，实验性的Agent Teams也以插件形式开放。
这些更新指向同一件事：**DeepSeek交付的是一整套模型加Harness方案，150个工程岗位集中在服务端与Agent弹性计算，落点正在这层交付能力上。**后面再看五道题的成绩，也应该把模型和这层Harness当作一个整体来评估。
评测结果：初版快，收尾慢
测试方式跟ZPedia此前保持一致：模型只能拿到题目和素材，需要自己写代码、运行并做自检，过程中记录它卡在哪一步、返工了几轮、最后要不要人接手。五道题的难度从还原一张网页截图起步，逐步加码到数据处理、规则模拟和视频生成。
Case 1：一张截图，还原 NASA 网页
给模型一张NASA「Webb Images」截图和一句提示词，让它做成单文件HTML。我们只验收首轮成品，不追加纠错提示；打开后对照原图，逐项看文字、布局和视觉差距。
Case 1：生成的NASA「Webb Images」页面：双层导航、图片分类入口与底部星系图。
V4.1 Flash抓住了页面的主要结构：黑色双层导航、左侧标题与介绍、右侧两列分类入口，以及底部星系图，都能在成品里找到。导航配色和星系图保留了原页面的辨识度，内容分区也没有跑偏。
差距主要在比例。导航和正文字号偏小，内容集中在较窄的区域，右侧留白偏多；底部图片占据的高度又明显增加。单个元素大体齐全，但组合起来，原图宽松、舒展的布局被压紧了。这道题里，它对页面结构的理解比较到位，对尺寸和留白的控制仍显粗糙。
Case 2：给运营数据做一个驾驶舱
提供7天、4个模型的数据，要求做出离线可用的运营驾驶舱。我们会核对指标和异常，改动筛选条件检查图表联动；成本模拟则要求模型单独验算，不能改动真实数据。
Case 2：驾驶舱总览：五项核心指标，以及请求量、成功率、成本—质量和请求占比四类图表。
Case 2：驾驶舱下半屏：异常事件、成本情景模拟器与运营数据明细。
这项交付的核心读数比较扎实。默认视图的五项指标都与基准一致：44.42万次请求、98.47%成功率、21,350美元总成本、2,054ms加权P95和4.32质量分，成本模拟的计算结果也准确。页面从总览指标、四张图表一直排到异常事件和数据明细，业务信息交代得较为完整。
四个模型在图表中用不同颜色区分，异常列表和成本模拟器并排放置，查看运行状况与讨论成本有了各自的位置。比较拖累体验的是信息密度：明细表的小字很密，部分坐标和图例又压在深色背景上。大字指标容易读，往下追踪具体数据时就明显困难。
Case 3：让 12 个人按规则撤离
给定建筑场景和规则，做一个12人疏散沙盘，实时计算寻路、烟雾和出口排队。检查时会开关门、暂停和单步运行；换成不同倍速，同样条件下的结果也应一致。
📹
Case 3：视频展示疏散沙盘运行，左侧展示人员、门与烟雾，右侧呈现撤离人数和出口统计。
疏散沙盘把关键状态变化交代清楚了。随着仿真推进，人员向出口移动、烟雾逐步扩散，右侧人数和出口统计随之更新。最终11人撤离，11号人员留在关闭的D4附近并被标为受困，与这套场景的预期一致。关门造成的影响，同时落在了地图、人员状态和最终统计上。
展示方式也比较实用：左侧看空间关系，右侧看撤离、排队和受困人数，两个出口各自记录通过量，事件日志补充过程，末尾再给出结果摘要。读者既能看到人往哪里走，也能知道过程停在了什么状态。这种把规则变化解释清楚的能力，是这项交付最突出的地方。
Case 4：做一只可以玩的 3D 魔方
用原生网页技术做一个3×3×3魔方，支持打乱、转动、撤销重做和逆序复原。隐藏测试负责核对状态，实际操作再检查快速连按、暂停时会不会丢步，以及动画有没有同步。
Case 4：魔方训练器初始界面：中央为3D魔方，两侧提供算法输入、六面转动与执行队列。
魔方这题的亮点在操作区的组织。中央展示魔方主体，左侧安排打乱、算法输入与播放控制，右侧将六个面的转动分组列出，顺转、逆转和180度操作一目了然。顶部集中显示状态、步数、计时和队列，下方保留历史记录与打乱公式，训练过程中需要关注的信息都有明确位置。
视觉上，橙蓝两面反差鲜明，块体之间的间隔清楚，深色面板也衬出了魔方主体。不过，初始视角偏低，主要露出正面和侧面，顶面几乎不可见，三维结构的展示还不够充分。把观察角度稍作调整，空间关系会比现在更直观。
Case 5：把异常数据做成 15 秒短片
依据事件数据和品牌素材，制作一支15秒、1080p、30fps的MP4异常复盘短片。验收时按时间轴抽帧核对数字和变化方向，再完整播放，检查文字是否读得清、转场是否顺畅。
📹
Case 5：生成的15秒异常复盘短片，依次呈现两次异常、恢复指标与品牌片尾。
短片把15秒的复盘顺序安排完整了：从品牌片头进入两次异常，再展示恢复数据，最后收束到品牌文案。两个异常阶段的延迟、成功率和成本变化都与素材一致，严重和警告也区分清楚。恢复页准确呈现2,448→2,006ms的延迟下降，以及成功率提升0.61个百分点，数字和变化方向都明示出来。
视觉表现上，大字卡片负责突出读数，曲线补充变化趋势，异常与恢复阶段用不同颜色区分，观众比较容易跟上信息。深色网格、卡片和品牌元素也保持了统一风格。明显的瑕疵集中在恢复页：图例和横轴小字出现方框乱码，打断了整齐的画面。主体信息已经讲明白，字体细节仍拉低了成片的精致程度。
五道题的结果指向同一个判断：模型把功能做全、把数据做对的把握已经很高，驾驶舱读数准确，疏散状态跟得上关门，短片讲清了异常与恢复，网页和魔方的效果也能及格。差距集中在收尾环节，比例、密度、视角、字体，每处改动量都不大，都要靠人工逐项校对。
耗时分布也印证了这个判断：初版大约15分钟就能成形，进入自检和返工后，45分钟还没有跑完。**生成环节只占整个流程的一小段，其余时间几乎都花在反复对照和修正上。**用模型快速验证想法、试探方向，效率优势很明显；若目标是交付成品，推理效率还是有待提升。
把开源、架构、Harness和五道评测放在一起看，V4.1 Flash这轮给出的是一套组合方案。CED架构下，模型在prefill阶段只激活8B参数、decode阶段激活16B，KV Cache明显缩小，部署成本随之下降；原生多模态和空间感知把任务类型从文本推到了网页、三维重建和视频；Harness则在模型外面补齐工具、上下文和多Agent调度，150个工程岗位的落点也在这层交付能力上。
能力面铺得很开，短板同样清楚：五道题的首版都能在十几分钟内成形，把比例、密度、视角和字体逐项校对到可交付，却要再花上几倍时间优化。下一步要看的，就是模型能不能把这段收尾交给自检闭环，把成本优势兑现成稳定交付。
来源：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf
