把每 token 的 KV Cache
压到 890 字节

DeepSeek-V4.1-Flash 在 2026 年 9 月 10 日发布，是全新结构系列里最小的一款。它是一款原生多模态的 MoE 模型，语言骨干 40 层，可以输入图片和文本，自回归输出文本。视觉部分由一个从零训练的 DeepSeek-ViT 加两层 MLP 投影器承担，多模态数据从语言模型预训练一开始就参与进来。

官方给出的参数规模是 552B。技术报告里的完整表述是「552B 骨干参数，另有 196B Engram 参数」。 中文发布稿用的 552B 与 550B 属于「总参数」的简化口径，和报告里的分项口径存在四舍五入的差别。

真正需要分清的是另外两个数字。prefill 阶段每 token 激活 8B，decode 阶段每 token 激活 16B。 这两个数字描述的是不同阶段里参与计算的参数规模，跟 552B 的总参数量没有任何换算关系。 同一个模型在不同阶段激活不同的参数量，来自它的因果编码解码结构。

这套结构的收益主要体现在输入侧。Agent 类负载的输入往往比输出大两个数量级， 而 prefill 每 token 的计算量减半，正好落在这条最粗的成本线上。

技术报告开篇的描述是，长时间跨度的 Agent 应用让模型负载越来越偏重输入。 机器之心在报道里给了一个更具体的画面：几万 token 的上下文、工具返回、代码仓库前缀， 换回来的是几十到几百 token 的输出。

这个结构决定了成本落在哪一侧。输入 token 越多，prefill 的次数越多； 输出 token 越少，decode 的轮次越少。如果两个阶段的每 token 计算量一样，成本几乎全部由输入决定。

CED 恰好把输入侧每 token 的激活规模砍到 8B，输出侧保持在 16B。 省下来的部分正好压在占比最大的那一侧，这是非对称设计的实际意义。

反过来说，如果负载是输入输出对等的长文写作，这套结构的收益就会明显变小。 这一点在下面的组件里可以直接拖出来看。

CSA2 的每个层静态分配三种模式之一。三种模式都自己算 query 和 SWA KV， 区别在于 main KV、indexer K 和 Top-K 索引从哪里来。

Full 模式自己算 main KV，从中投影出 indexer K，跑完整索引器产出新的 Top-K， 走完整条 CSA2 路径。Reindex 模式复用上游的 main KV 与 indexer K， 但用自己的 indexer Q 重新打分，所以选择可以逐层变化。Reuse 模式连打分都省了， 直接用上游算好的 Top-K，只做注意力。

层维度上的复用只解决了索引计算的次数，剩下的索引器仍然要对全部因果可见位置打分。 分层稀疏索引器把这一层也干掉：解码器的第一个 Full 层在扫描全量位置时， 顺便给每个块取块内最大分，把得分最高的那些块收集成一个共享候选池， 后面 Reindex 模式的层只在这个池子里打分。

候选池大小固定之后，后续索引器每次查询要评的位置数与上下文长度无关，从线性变成常数。 代价是最早那个 Full 层仍然要扫一遍全量范围。

这套机制是训练感知的：候选限制在训练和推理时施加方式完全一致， 所以在后训练阶段就引入，让深层索引器在自己推理时会遇到的同一个搜索域下被优化。