DeepSeek正式发布DeepSeek V4.1 Flash模型_老虎社区_美港股上老虎

DeepSeek正式发布DeepSeek V4.1 Flash模型

金吾财讯09-10 14:36

金吾财讯 | 9月10日，DeepSeek正式发布DeepSeek V4.1 Flash模型，是该公司全新模型结构系列中的最小尺寸的模型，具备原生多模态视觉理解能力。据介绍，DeepSeek V4.1 Flash为552B参数的MoE模型，采用全新的Causal-Encoder-Decoder结构，成本显著低于已知的同尺寸模型。同时，V4.1 Flash还采用新的预训练方式、经过更大规模的强化学习后训练，在基准测试中，成功超越了包括DeepSeekV4Pro在内的一众旗舰模型的智能水平。此外，新一代模型大幅减少了KV Cache缓存的大小，与上一代模型相比，对HBM的需求减少到1/4，对SSD的需求减少到1/8。在Agent使用场景中，缓存命中的费用往往占比较高，对KV Cache的压缩大幅降低了Agent类任务的使用成本。

免责声明：本文观点仅代表作者个人观点，不构成本平台的投资建议，本平台不对文章信息准确性、完整性和及时性做出任何保证，亦不对因使用或信赖文章信息引发的任何损失承担责任。

暂无评论

热议股票

7x24

全部

{"i18n":{"language":"zh_CN"},"data":{"share":"https://www.laohunote.com/m/news/2666689875?lang=zh_CN&edition=full","thumbnail":"https://static.szfiu.com/news/20241108/NzE1NDA5NTM3ODk1OQ==.jpg","is_english":false,"pubTime":"2026-09-10 14:36","share_image_url":"https://static.laohu8.com/e9f99090a1c2ed51c021029395664489","id":"2666689875","market":"fut","top_or_hot":-1,"title":"DeepSeek正式发布DeepSeek V4.1 Flash模型","media":"金吾财讯","content":"<html><body><p>金吾财讯 | 9月10日，DeepSeek正式发布DeepSeek V4.1 Flash模型，是该公司全新模型结构系列中的最小尺寸的模型，具备原生多模态视觉理解能力。据介绍，DeepSeek V4.1 Flash为552B参数的MoE模型，采用全新的Causal-Encoder-Decoder结构，成本显著低于已知的同尺寸模型。同时，V4.1 Flash还采用新的预训练方式、经过更大规模的强化学习后训练，在基准测试中，成功超越了包括DeepSeekV4Pro在内的一众旗舰模型的智能水平。此外，新一代模型大幅减少了KV Cache缓存的大小，与上一代模型相比，对HBM的需求减少到1/4，对SSD的需求减少到1/8。在Agent使用场景中，缓存命中的费用往往占比较高，对KV Cache的压缩大幅降低了Agent类任务的使用成本。</p></body></html>","source":null,"html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>DeepSeek正式发布DeepSeek V4.1 Flash模型</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\nDeepSeek正式发布DeepSeek V4.1 Flash模型\n</h2>\n\n<h4 class=\"meta\">\n\n\n2026-09-10 14:36 北京时间&nbsp;&nbsp;&nbsp;<a href=1991308><strong>金吾财讯</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>金吾财讯 | 9月10日，DeepSeek正式发布DeepSeek V4.1 Flash模型，是该公司全新模型结构系列中的最小尺寸的模型，具备原生多模态视觉理解能力。据介绍，DeepSeek V4.1 Flash为552B参数的MoE模型，采用全新的Causal-Encoder-Decoder结构，成本显著低于已知的同尺寸模型。同时，V4.1 Flash还采用新的预训练方式、经过更大规模的强化学习...</p>\n\n<a href=\"1991308\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":null,"symbol_name":null,"start_time":0,"source_url":"1991308","article_id":"2666689875","we_media_id":"1086022552","thumbnails":["https://static.szfiu.com/news/20241108/NzE1NDA5NTM3ODk1OQ==.jpg"],"rights":null,"url":"https://stock-news.laohu8.com/highlight/detail?id=2666689875","pubTimestamp":1789022164,"columns":[],"sourceInfo":null,"weMediaInfo":{"media_name":"金吾财讯","introduction":"「金吾财讯」以精准用户需求为切入点，打造一站式港美股投资细分领域品牌。依托战略合作伙伴凤凰网财经，将港美股内容传播到全球华人圈。","home_visible":1,"id":"1086022552","head_image":"https://static.tigerbbs.com/19a93586c3b023ec6ebfed568990555c"},"summary":"金吾财讯 | 9月10日，DeepSeek正式发布DeepSeek V4.1 Flash模型，是该公司全新模型结构系列中的最小尺寸的模型，具备原生多模态视觉理解能力。据介绍，DeepSeek V4.1 Flash为552B参数的MoE模型，采用全新的Causal-Encoder-Decoder结构，成本显著低于已知的同尺寸模型。在Agent使用场景中，缓存命中的费用往往占比较高，对KV Cache的压缩大幅降低了Agent类任务的使用成本。","collect":0,"end_time":0,"defaultTopTitle":"","property":[],"viewcount":null,"language":"zh","relate_stocks":{},"translate_title":"DeepSeek officially releases DeepSeek V4.1 Flash model","themeId":"299f0a9977df499f8ead781071e5e5e7","isJumpTheme":false,"ttsUrl":null,"symbols_score_info":{},"content_text":"金吾财讯 | 9月10日，DeepSeek正式发布DeepSeek V4.1 Flash模型，是该公司全新模型结构系列中的最小尺寸的模型，具备原生多模态视觉理解能力。据介绍，DeepSeek V4.1 Flash为552B参数的MoE模型，采用全新的Causal-Encoder-Decoder结构，成本显著低于已知的同尺寸模型。同时，V4.1 Flash还采用新的预训练方式、经过更大规模的强化学习后训练，在基准测试中，成功超越了包括DeepSeekV4Pro在内的一众旗舰模型的智能水平。此外，新一代模型大幅减少了KV Cache缓存的大小，与上一代模型相比，对HBM的需求减少到1/4，对SSD的需求减少到1/8。在Agent使用场景中，缓存命中的费用往往占比较高，对KV Cache的压缩大幅降低了Agent类任务的使用成本。","kind":"highlight","is_publish_news":false,"is_publish_highlight":false,"is_publish_live":false,"is_publish_wemedia":true,"editions":null,"column":"","sentiment":"0","news_tag":"","news_rank":0,"isVideo":false,"video":null,"symbols":[],"gpt_button":0,"need_auth":false,"need_login_tip":false,"code":"91000000","status":"200"},"commentList":[],"hasMoreComments":false,"newsSizeData":{"likeSize":0,"commentSize":0,"repostSize":0,"favoriteSize":0,"likeStatus":false,"favoriteStatus":false},"isCrawlerRequest":true}