DeepSeek V4.1 Flash：32.5 分，0.03x 的国产性价比

9 月 10 日发布的最小尺寸

DeepSeek 在 2026 年 9 月 10 日发布 V4.1 Flash，是这个新架构系列里尺寸最小的一款：552B 参数 MoE，采用非对称 Causal-Encoder-Decoder 结构，输入侧激活 8B、输出侧激活 16B，原生支持多模态视觉理解。官方描述里说，它的性能超过了 V4 Pro 等旗舰模型。

智能分也对得上：V4.1 Flash 32.5，V4 Pro 23.1。尺寸更小、价格更低、分数更高，这三件事同时出现，说明后训练和新架构带来的收益比单纯堆参数更直接。

对使用者来说，这意味着原来的"便宜模型只能干粗活"的判断可以改一改。32.5 分做分类、抽取、改写、翻译绰绰有余，复杂一点的文档理解和代码解释也能接。

非对称结构省在哪

编码器和解码器分开，输入只走 8B 激活，输出走 16B 激活。读长文档时计算量小，写长内容时才动用完整容量。价格结构跟着设计走：输入 ¥2、输出 ¥8，输出是输入的四倍。

这也决定了用法：把上下文塞满、让模型少说话，最划算；让它长篇输出，单价就上去了。长文生成不是它的强项，Kimi K3.1 Pro 的 94.4 万输出上限更合适。

另一个影响是长上下文的经济性。1050K 的窗口如果按输入价算，一次读进 100 万 token 只要 ¥2，Buddy 分组之后是 ¥0.06。整份代码库、整套合同、一年的会议记录，都可以一次放进去。

参数与价格

Buddy 分组 0.03x 之后，输入 ¥0.06、输出 ¥0.24 每百万 token。100 万输入加 10 万输出一次是 ¥0.084；一天一万次这个量级，账单约 ¥840。

和 V4 Pro、GLM-5.3 比

V4.1 Flash 比 V4 Pro 高 9.4 分，官方输入价只有它的约五分之一，输出价不到三分之一，上下文还多 50K。GLM-5.3 分数接近，但输出上限只有 131K，官方价是它的四倍。三个模型都在 Buddy 分组 0.03x，价差按同样比例放大。

同门的 V4 Pro 仍有存在理由：它的定位是旗舰正式版，Agent 能力在官方描述里被单独强调过。做长链智能体、需要模型自己规划步骤时，先各跑一轮再定，别只看分数。

适合什么

视觉抽取是第一类。原生多模态视觉理解，截图、表格、票据、图表可以直接进，配上 1050K 上下文，一批素材一次处理完，不用先跑 OCR 再拼接。

长文档处理是第二类。39.3 万输出够写完整报告，1050K 输入够放整份资料，按 Buddy 分组的单价算，这类任务的成本几乎可以忽略。

批量任务是第三类。32.5 分做分类、抽取、改写、翻译够用，¥0.06 的输入价让高频调用没有心理负担，压测时也不用担心账单。

一个任务里既有图像又有长文档时，优先让它一次跑完。分开调用视觉模型再拼接文本，多出来的不只是钱，还有两段结果对不齐的麻烦。

不适合最难的推理。32.5 分和 58.4 分差 25.9 分，复杂架构设计、跨系统排障交给 Claude Opus 5.5。也不适合一次生成超长内容，39.3 万虽然不低，但输出价是输入的四倍，量大时换 Kimi 更划算。

接入

from openai import OpenAI

client = OpenAI(api_key="sk-...", base_url="https://ai.idcidiot.com/v1")

resp = client.chat.completions.create(
    model="deepseek-v4.1-flash",
    messages=[{"role": "user", "content": "把这份财报截图里的表格转成 CSV，保留原始小数位"}],
)
print(resp.choices[0].message.content)

模型页见 DeepSeek V4.1 Flash，长输出场景可以对比 Kimi K3.1 Pro，全部模型在模型总览按价格和上下文筛。

先拿一批真实截图和长文档跑一轮，确认抽取准确率能接受，再把批量任务整体切到 Buddy 分组。