DeepSeek V 4.1 Flash硬刚智谱「牛来」，谁才是国模Flash之王？
DeepSeek V4 Pro ，8 月 13 日正式发布，9 月 14 日即将下线。享年 32 天。
而干掉 V4 Pro 的，正是 DeepSeek 自家刚刚发布的 DeepSeek V4.1 Flash 。
「 V4.1 Flash 在性能、费用、速度、总用时等各项指标上已全面超越 V4 Pro ，9 月 14 日起所有 Pro 的 API 请求将自动切换到 Flash，并按 Flash 的价格计费。」
有意思的是，在 DeepSeek V4.1 Flash 之前，另一个 Flash 国模也曾一度爆火。
8 月 20 日，智谱悄悄在 OpenRouter 和 OpenCode 上线了一个匿名模型，代号 Ox-Alpha ，中文名「牛来」。 Ox-Alpha 首日就冲上了 OpenRouter 榜首，刷新了平台单日 token 调用量历史纪录，还终结了 DeepSeek 在 OpenCode 连续 56 天的霸榜纪录。8 月 26 日，智谱官宣认领了这头牛， Ox-Alpha 的真身是 GLM-5.3-Flash 。
Flash，已经不再是单纯的「小杯」了。
—
DeepSeek V4.1 Flash vs GLM-5.3-Flash
先来总结一波。
DeepSeek V4.1 Flash GLM-5.3-Flash
发布日期
2026-09-10
2026-08-26
总参数量
552B
320B
激活参数
输入 8B / 输出 16B
18B（输入输出对称）
架构
MoE + CED（因果编码-解码器）
MoE + 稀疏/线性注意力混合
上下文窗口
100 万 tokens
原生多模态
文本 + 图片
文本 + 图片 + 视频 + 文件
预训练数据
45 万亿 tokens
30 万亿 tokens
开源协议
MIT
推理力度调节
连续可调 1-100
三档（low / high / max）
DeepSeek V4.1 Flash 和 GLM-5.3-Flash ，太像了。
MoE 架构，100 万 tokens 上下文，原生多模态，MIT 协议开源，连推理力度都同样可调节。
但技术架构不同。 DeepSeek V4.1 Flash 走了一条非对称路线，输入端只激活 8B 参数，输出端激活 16B。读比写便宜，专为 Agent 场景设计，因为 Agent 要读大量上下文和工具调用结果，输入量远大于输出量。智谱走的是对称路线，输入输出都激活 18B，总参数从 GLM-5.3 的 753B 砍到了 320B。
GLM-5.3-Flash 的多模态更完整，文件和视频输入都支持。
—
不同的技术路线
DeepSeek V4.1 Flash 和 GLM-5.3-Flash 本质上都在解决同一个问题，「KV Cache 太贵。」
运行 Agent 时，模型每处理一个 token 都要在显存里存一组缓存数据，上下文越长这笔计算开销越大。Pro 模型的 KV Cache 成本可能比推理计算本身还高。所以，Flash 的核心任务就是尽可能降低这部分算力成本。
DeepSeek V4.1 Flash 采用了一个名为 CED 的新架构，全称 Causal Encoder-Decoder。它把 40 层 Transformer 拆分为上下两部分，前 20 层是编码器，负责读入上下文；后 20 层是解码器，负责生成输出。编码器处理输入时只激活 8B 参数，解码器生成输出时激活 16B。
重点在于如何压缩 KV Cache。解码器的全局缓存直接从编码器最后一层的输出里投影过来，不再自己逐层计算。再加上 FP4 量化和跨层共享索引，每个 token 的全局 KV Cache 从上一代的 3514 字节压缩到了 890 字节。