过去一周，AI 圈有一个绕不开的名字， DeepSeek V4.1 Flash。
9 月 8 日，DeepSeek 先在交流群里放出限时内测，10 号正式上线。总参数 552B，MOE模型，输入启动8B，输出16B，跑得快、成本低，完全开源，部署毫无难度。
价格依然很诱人，非高峰时段，每百万 token 输入 1 块钱、输出 4 块，缓存命中的输入只要 2 分钱，高峰时段翻一倍。
这种价格基本表明Flash是一个走量的模型，但却被官方摆到了接班4.0 Pro 的位置上，这或许源自其不错的成绩。
在软件工程测试 DeepSWE 上，V4.1 Flash 拿了 74.2，相比的Claude Opus 5 是 74.0，GPT-5.6 Sol 是 73.0，V4.1 Flash又一次排在了两家顶级闭源模型的前面。
不过在专家级学科知识的 Humanity's Last Exam的评测上，它只有 36.8，比Claude Opus5少了近 20 分。
分数一出来，国内外的博主几乎同时开测。
国内被打动的是价格和速度，我印象中有篇实测，标题是"降价后熟悉的梁圣又回来了"，当年 DeepSeek 靠价格掀桌子的那股劲，又让人想起来了。
内测刚开放就有大量自媒体晒对比，同一批任务，和之前的视觉实验版相比，生成 SVG 代码快了 6 倍，长文档检索快了 5 倍多，每秒三四百 token，字几乎是往外喷的。B 站上"吊打自家 Pro"这类标题，一搜一大把。
冷静一点的声音也有，一位 UP 主做完六项能力测试，只留了一句"好像有点不一样？"，小红书上一篇实测的结论：道阻且长。
国外博主测得更细，意见也更分裂。
WorldofAI 在内测期间就发了完整视频，编程、3D 模拟、网页小游戏、智能体任务、看图，挨个过了一遍，给的评价是又快又省又好用。
可 MindStudio 汇总的几项实测，画风完全不一样。让它写代码画一幅图，59 秒搞定，花了不到 2 分钱，效率确实没话说，画出来的东西却明显比同台几个强模型差。让它做个魔方模拟，打开一看有模有样，能转能动，可一打乱就露了馅，色块会莫名其妙地变颜色；点"还原"，它根本没去算怎么解，只是把打乱的步骤倒着放一遍，来回几次，魔方彻底乱套。再让它用画图软件临摹一张肖像，能认出画的是谁，但整张画是平的，没有强模型那种一层层叠上去的笔触。
MindStudio 对它的评价是，花架子，看着像样，里面的逻辑混乱。
独立评测机构给出的数字，和这个感觉差不多。
Artificial Analysis 的综合智能指数给了它 40 分，在同体量的开源模型里已经算很高了，输出速度实测每秒 214 token，也很突出。可就在同一张榜上，智谱的 GLM-5.3-Flash 拿了 42 分，压了它一头，跟最前沿的那几个闭源模型比，差距就更大了。Kingy AI 还做过一个小范围的对照，让它和 Qwen3.8-27B 做同一批编程、看图和工具调用任务，Qwen 8 次全过，DeepSeek 过了 7 次，胜在花钱少。
回过头再看，夸它的人盯着速度和价格，挑毛病的人盯着活到底干没干对，两拨人各说各的。
同样 Terminal-Bench，V4.1 Flash 在 2.1 版上是 90.6，换成更难的 3.0 版就只剩 30。同一个模型，测试版本一换，分数差出三倍，一个数字就能讲出两种故事。
编程跑分标准，大多是写出来的代码能不能通过一套现成的测试，可平时我们交给模型的活，很多压根没有标准答案，我们做一个真能用的小工具，理清一段绕来绕去的逻辑，要把一件事从头办到尾。
魔方模拟就是现成的例子，界面好看，分数也高，偏偏不能用。
我个人始终认为，能干活的模型才是好模型，跑分最高的未必是。
V4.1 Flash 的快和便宜都是真的，批量处理文本、写草稿、搭个简单网页、跑自动化流程，这种够用就行的活交给它，很可能是眼下最划算的选择。
要是打算让它扛那些逻辑要严丝合缝、一步都错不得的任务，先别看排行榜，拿自己手头的真实任务跑一遍再说。
开源了，本地跑得动吗？
前面提到的 Kingy AI 那次对照，他有一个观点我很认同，要论在普通电脑上跑本地模型，Qwen 更现实。
这句话，是本地AI应用者最关心的事情，开源了，我能不能直接在本地跑？
上一代 Flash 在这件事上其实做的不错，V4 Flash 总参数 284B，社区压缩之后一百来个 G，量化后，192G内存的机器就装得下，单台 AI Max+ 495的设备每秒也能出十几个 token。
到了 V4.1，参数翻了将近一倍，官方放出来的原版权重就有 480GiB 左右，想跑起来，基本得上一台 8 卡服务器。
Youtube上有人拿单台 DGX Spark 试过，128G 内存装不下，就把大部分权重留在固态硬盘上，用到哪块读哪块。模型跑起来了，可每秒还出不了 1 个 token，问一句话，等第一个字蹦出来要 74 秒，能处理的上下文也只开到 2048 个 token。
能跑吗，能，能用吗，不能。
目前本地部署最顺利的，是 Diffbot 在 Hugging Face 上放出的一套方案：把权重狠狠压缩到 2 比特左右，塞进两张 96G 显存的 RTX PRO 6000。单路生成每秒 113 个 token，4 路同时跑，加起来接近 280。
他们拿真实的编程智能体任务连续跑了 40 分钟，处理了 184 次请求，顺利完成，。但模型压得太狠，关掉思考模式后，简单任务看不出损失，复杂任务完全拉垮。
其实我们知道，本地 AI 最看重的不是算力，是显存，目前看，下周开始交付的 512GB 版 Mac Studio，量化之后或许装得下，我们等着看实测。
所以想把 V4.1 Flash 搬回家的，先掂量掂量手里的显存，别被"开源"两个字晃了眼，用 API 调它，一百万 token 才几块钱；自己部署，门槛是两张专业卡起，起码20万+。
其实不止DeepSeek一家，我们把今年国产开源模型放到一起，就会发现，现在的开源模型越做越大，端侧似乎被遗忘了。
DeepSeek 的 Flash，从上一代的 284B 涨到这一代的 552B；智谱之前的 GLM-4.7-Flash，还常被列进适合消费级显卡的推荐名单，到了 GLM-5.3-Flash，总参数已经是 320B。MiniMax M3 开源出来的权重约 428B，Kimi K3 比通义 2.4T 的旗舰还要大。
Flash 原本的意思是快、轻、便宜，现在只剩便宜。
可日常办公真正用得上的本地模型，恰恰是 20B 到 100B 这一档，写周报、改文档、总结会议纪要、查资料、写个小脚本，这些活用不着几百 B 的模型，要的是在自己电脑上跑得起来，数据不出门。
按现在的硬件，32G 内存的机器能跑三十多 B 的量化版，比如 Qwen3.8-27B 压缩后只有 20G 左右，今年厂商们卖得最卖力的 AI PC、统一内存小主机和桌面工作站，对应的正是这个区间。
而国外厂商在这一档并没有缺席，Google 的 Gemma 4 有 26B 的版本，OpenAI 的 gpt-oss 有 20B 和 120B 两个尺寸，英伟达也有自己的 Nemotron 系列。
国产头部厂商里，还在认真做这一档的，几乎只剩通义。Qwen3.8 这一代，旗舰做到了 2.4T，同时开源了一个 27B，用的还是最宽松的 Apache 协议，而且还足够聪明。
为什么大家都往大了做，原因我觉得也不难猜。
模型大才冲得上排行榜，才撑得起 API 生意，发布会上报出一个几百 B、上万亿的数字，声势也足。一个 30B 以内的小模型，很难上热搜。
另外，模型厂商也要赚钱，能在端侧用模型的偏C端用户，从来就不是这几个模型厂商的主力付费用户，端侧一旦跑起来，还会影响自家的API生意。大参数的模型开源，主要针对大型国央企等数据不能上云等公司，他们大多除了部署模型，还会为定制化付费。所以，开源大参数模型，名声有了，钱也赚了，何乐而不为。
至于端侧，谁让你穷呢….
最后，由衷的致敬阿里通义实验室！
