DeepSeek模型上新 - 更强、更快、更便宜

一个接口报错，把日志交给 AI，它很快给出修改建议。这一步已经不稀奇了。麻烦通常在后面：改完又冒出另一个错误，要继续读文件、查调用关系、运行测试，最后还得打开页面确认。几轮下来，代码、截图和工具输出越积越多，模型需要带着这些材料继续工作。

DeepSeek 这次的两个发布，应该一起评估。V4.1-Flash 在模型内部减少处理长历史的开销；Harness 0.1.5 则改进接收文件、调用工具、恢复会话和交付结果的过程。前者决定模型能用多大代价继续算，后者影响这项工作能否顺利做下去。

对于经常把代码、文档和截图一起交给 AI 的开发者，这轮升级值得试。 短问答未必能充分体现它的变化，跨几个文件、要反复调用工具的任务更合适。

本文资料核对至 2026 年 9 月 11 日，依据官方技术报告、价格页与发布源码。最新 Harness 标签是 dsh-v0.1.5-rc.2，仍属于开发者预览。文中的分数来自官方评测，尚未进行项目对照实测。¹²

更强，先看它能把哪些任务接着做

V4.1-Flash 的进步，在 Agent 任务上尤其明显。官方公布的 DeepSWE v1.1 成绩从前代 Flash 的 54.4 提升到 74.2；这组测试关注模型能否解决真实仓库里的软件问题。Terminal-Bench 2.1 则从 82.7 到 90.6，主要看终端环境下的任务完成能力。¹

这两组数据足以支持把开发任务拿来重新试一遍。不过，74.2 用的是 mini-SWE，90.6 用的是 DSH Minimal，均采用最大推理 effort。它们带着明确的工具和运行配置，不能直接当成默认聊天窗口的表现。

报告里还有一组更能说明问题的对比：同一个 V4.1-Flash，在 DeepSWE 上搭配 OpenCode 得到 65.5，DSH Minimal 是 72.6，mini-SWE 是 74.2。模型没有换，外面的提示词、工具与执行方式换了，结果就有明显差别。

这也是 Harness 值得单独研究的原因。一个模型会写正确代码，还得有机会找到相关文件、运行测试，并根据失败结果继续修改。工具太少可能做不完，工具和指令换了一套，也不保证成绩跟着模型一起搬过去。

后训练部分沿着同一个方向投入。DeepSeek 仍采用 SFT、强化学习和 on-policy distillation，主要扩大的是自动合成的 Agent 任务、环境和执行轨迹。训练材料除了题目，还要有能运行的项目，以及检查结果的程序。给模型足够多可以执行、可以判分的长任务，才有条件训练它处理过程中的错误。³

V4.1-Flash 也支持原生图文输入、文字输出。对网页排错来说，截图能和代码、日志放进同一段工作；对文档任务来说，可以直接处理页面和图表。但视觉输入本身不会替模型打开浏览器，具体操作仍由 Harness 提供的工具完成。

当然，“更强”有适用范围。GPQA Diamond 上，V4.1-Flash 的 90.9 仍低于 V4-Pro 的 92.4。基础模型的 LongBench-V2 从前代 Flash 的 44.7 到 45.2，提升也远没有 Agent 评测那么大。更适合长任务的设计，没有让所有能力同步跃升。

更快，先省掉反复读材料的计算

这次最值得细看的架构变化是 CED：40 层主干被分成 20 层因果编码器和 20 层解码器。这里的关键，是后半段使用的全局历史表示从哪里来。

模型生成答案时，需要读取注意力机制保存的历史状态，也就是 KV 缓存。CED 让解码器的全局 KV 直接由编码器末层的隐藏状态投影生成。这样，大部分输入经过前 20 层后，就能准备好后面需要的全局历史，不必把全部输入再完整计算一遍后 20 层。这个方案受到 YoCo 启发，进一步调整了历史表示的生成方式。³

局部状态仍要单独处理。各层保留滑动窗口注意力（SWA），解码器需要重放末尾的一小段输入，准备自己的局部 KV。按报告的 128-token 窗口，简化后的输入计算量从约 40N 变为 20N + 20×128；N 足够大时，才接近减半。

根据报告第 2.2、3.2.2 节绘制。省略投影和跨层共享细节，计算量不等于实际延迟。

参数也呈现了这种分工。前代 V4-Flash 每 token 激活 13B，新版是输入阶段 8B，输出阶段 16B。它愿意在生成时用更多计算，同时把大量读取材料的成本压下来。一个读入几万 token、只输出短指令的 Agent，很符合这个设计；连续写长文的收益需要另外测。

历史状态的存储和查找也做了调整。CSA2 把注意力层分成三种模式：Full 生成共享 KV 和索引键并选择位置；Reindex 用已有缓存重新选位置；Reuse 连选好的 Top-K 位置也复用。各层仍计算自己的查询和局部状态，产生新的输出。这里共享的是历史与检索结果，并没有把上一层的答案直接复制下来。

解码器还会先建立一个候选池，让后续索引层在里面筛选，减少反复搜索整段历史的工作。再叠加 FP4 主 KV 量化，官方给出的全局 KV 占用是每 token 890 字节，约为前代 Flash 的四分之一。¹

百万 token 对应约 0.89 GB 全局 KV，看起来很小，但不包含权重、局部缓存和临时张量。模型本身有 552B 主干参数，另有 196B Engram 参数；不能按一个 8B 小模型来准备部署硬件。Engram 用 token 组合查取训练得到的内部记忆表示，也不能当成会自动记住企业新文档的 RAG。

有界重放是另一笔取舍：部分局部 SWA 状态不长期保存到 SSD，需要时用最近一个窗口重建。官方称，持久化 KV 占用因此约为前代的八分之一。恢复的是近似状态，不是数学上等价的无损恢复。 报告明确承认这项差异，也在后训练中模拟重放，让模型适应它。³

“全局 KV 四分之一”和“持久化 KV 八分之一”衡量的对象不同，不能相乘。对使用者来说，能确定的是它在减少长任务中的计算、存储与搬运；最后快多少，还要看缓存命中、并发、服务端实现和实际任务。

更便宜，这次可以算一笔具体的账

架构省了多少资源，不能直接换算成 API 用户的折扣。好在官方价格页已经列出了 V4.1-Flash 的报价，模型 ID 是 deepseek-flash。以下均为每百万 token、美元计价，核对日期是 9 月 11 日。⁴

峰时，Flash 的未缓存输入为 0.30 美元，缓存命中输入为 0.006 美元，输出为 1.20 美元。非峰时价格减半。官方峰时换算为北京时间，是周一至周五的 09:00—12:00、14:00—18:00。

拿 10 万个未缓存输入 token、1 万个计费输出 token 举例：Flash 峰时费用是 0.1×0.30 + 0.01×1.20 = 0.042 美元。按当前 V4-Pro 报价计算，同样的 token 数为 0.1716 美元。这是给定输入输出数量的报价算例，比较对象是 V4-Pro，不是前代 Flash，也没有包含重试或其他工具费用。

长任务能否更省，还受输出量影响。模型多想几轮、多跑几次工具，可能消耗更多 token。与其只比较一次调用，不如看完成同一项合格工作总共花了多少，连失败重试和人工修补一起记录。

这里还有一条容易漏看的更新：官方已将 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 的请求转给 V4.1-Flash，旧名称仍能调用，但不再代表旧模型。仅保留旧模型名，已经不能做前后版本对照。 若需要比较，应使用留存的旧运行记录，或能确认实际版本的独立端点。

官方还计划从 2026 年 9 月 14 日北京时间 12:00 起，将 deepseek-v4-pro 请求也转到 V4.1-Flash，并按 Flash 计费。截至本文核对时，这一切换尚未发生。文章里的 Pro 报价比较有明确时间范围，后续应以价格页和实际路由为准。⁴

Harness 这轮更新，关心的是工作怎样接着做

模型算得起长任务，外面的程序也要接得住。Harness 0.1.5 的主要功能集中在 rc.1，它汇总了自 v0.1.2-rc.1 以来的变化；rc.2 于北京时间 9 月 10 日 23:09 发布，主要修整反馈提交和文件卡片排版。两者不能混成“rc.2 一次新增了所有功能”。⁵²

新模型适配已经加进来了：显示名称是 DeepSeek-V41-Flash，ID 是 deepseek-flash，支持文本、图片和历史内系统提示更新。新会话默认使用它，显式配置仍然优先。这里说的是 DSH 选择哪个 ID，服务端是否把旧 ID 转到新模型，是上一节说的另一层行为。⁶

系统提示更新看似不起眼，却和长任务成本直接相关。会话进行中，工具或配置可能变化；如果每次都改写开头的系统消息，原有缓存前缀可能受影响。对声明支持 in-history 的模型，DSH 把更新后的完整系统提示追加到历史中，保留已有前缀。模型协议和框架配合好了，才有机会省下这部分重复输入。实际缓存命中仍取决于服务端。

文件这条路径也完整了不少。Web 能上传通用文件和图片，显示进度、取消上传，并在切换会话后继续显示状态。通用文件保存为路径，模型调用文件工具按需读取。任意类型可以上传，不等于任意格式都会正确解析：扫描 PDF、表格公式等仍要单独检查。

结果出来后，模型可以显式交付文件，在右侧 Sidebar 预览 Markdown、代码、HTML、PDF 和图片，也能打开子代理或其他会话的产物。对一篇文章、一份报告或一个网页修改来说，这比让人从长对话里找文件路径方便得多。

根据 0.1.5 发布说明绘制的工作流示意，并非产品界面截图。文件可预览不等于内容已通过验收。

控制过程也补了细节。子代理支持排队消息、编辑、Steer 和停止；用户暂停目标后，当前模型轮次会中断，恢复必须由用户触发。流式工具调用的后续分片，不再用空值覆盖调用 ID 或名称，避免工具失败后留下无法重新打开的会话。长任务是否好用，常常就取决于这些中途环节。⁵

rc.2 没有宣布新的模型能力。它让点赞、点踩经过弹窗确认，提交失败时保留已填内容，并调整交付文件卡片、代码图标和对话间距。这是一轮使用体验更新，应该按这个分量评价。

先拿一个需要来回检查的问题试用

可以选一个带截图的 Laravel 页面问题，在独立测试项目里给出相关代码、脱敏日志和稳定的复现步骤。任务范围不用大，但应要求模型走完：复现、定位、修改、运行相关测试，再回到页面确认。不能运行哪一步，就明确记下来。

最后交付代码差异、修改理由、检查记录和截图。验收时重跑最初的操作，并检查相关正常路径；再中断、恢复一次会话，观察它是否能接着检查，而不是把已完成的工作重做一遍。这个任务能同时用到视觉输入、工具反馈、长会话和文件交付，比较容易看出这轮升级的实际变化。

做内容或教育产品，也可以用一组指定资料试另一条路径：上传教材片段和既有模板，要求输出带出处的 Markdown 草稿，原文没有依据的内容单列。打开产物，抽查页码、数字和图片，再决定是否进入后续制作。上传成功和模型说“读完了”，都不足以说明这一步完成。

以上是试用安排，不是已经完成的测试。比较时固定输入材料、项目版本、工具与权限，记录总耗时、token 用量、实际费用、人工接手次数和最终结果。若拿旧记录作对照，也要保留当时的模型版本与环境，避免把服务端自动换模当成旧模型成绩。

价格已经给出了尝试的理由，公开评测也支持优先选择开发任务。下一步需要回答的更具体：原来要接手三四次的问题，这次能否少接手一次，交付结果仍然可靠？ 这比让一个任务单纯运行更久，更接近升级的价值。

安装与迁移补充

官方仓库声明 Node.js 范围为 ^22.19.0 || >=24.0.0。下面的 npm 版本已核实发布，可以固定下来复现这次更新：⁷

npx @deepseek-ai/dsh@0.1.5-rc.2 web

默认地址是 http://127.0.0.1:3080。在“设置 → 模型”配置 DeepSeek API 密钥，创建新会话并确认选择 deepseek-flash。已有会话保留其记录的模型 ID，客户端选择和服务端实际模型需要分别确认。自定义网关还要检查协议、图片输入与历史内系统提示更新；目录中出现条目，并不证明网关已开放该能力。⁸⁶

已有 DSH 用户，升级前先保留数据目录副本。0.1.5 会话格式升级到 V3，受支持的旧日志迁移后生成新版并保留原文件，但升级后的会话不支持降级读取。退回旧程序，不会自动把新增历史变回旧格式。至少选一个带工具调用和附件的旧会话，检查迁移、重开与继续执行。⁹

自己写过集成的开发者，还需要对照 rc.1 的兼容性变更：agentLoop.create() 变为异步，Session persistence 由 SessionHandle 持有；移除 ctx.agent，通过 agent.inbox 操作消息；Web 的旧 conversation Slot 需要迁移。SDK、Headless、ACP 默认使用 read、write、edit；Web minimal 和 Python sdk-minimal 默认只有持久 shell，str_replace_editor 需显式启用。实验性 Agent Teams 也需要手动添加 profile，不会自动开启。⁵

资料来源