DeepSeek V4.1 Flash发布后，不仅运行速度提升，内容精准度也更高，并集成了原生多模态功能。
全网对DeepSeek V4.1 Flash的反馈极为正面，梁文锋再度被尊称为“梁圣”。
与V4 Flash相比，V4.1 Flash的核心变化在于彻底重构，采用了与V4 Flash截然不同的非对称架构。
这意味着，V4在架构上积累的训练方法、优化策略和工程适配，在V4.1上大部分已失效。
如今的DeepSeek已不再是小型团队，而是拥有数百名员工的企业，重新启动新架构不仅耗时，也费力。即便如此，梁文锋仍决心对V4进行彻底革新。
新架构听起来可能像营销噱头，但答案其实在DeepSeek V4.1 Flash的官方论文中：DeepSeek的旧架构已无法容纳新的训练目标。
那么，这个新目标是什么？我认为，很可能是“入口”。
DeepSeek为何要彻底重构？
通常情况下，模型先于Harness存在。厂商根据模型的能力和特点构建Harness。然而，DeepSeek V4.1 Flash却是被DSH“反哺”而生的。
官方论文指出，V4.1 Flash的后训练遵循标准的SFT→ RL→ 在线蒸馏（OPD）范式，未做任何算法改动。关键在于，所有实质变化都发生在数据流水线中，大规模自动合成Agent任务与环境，数据、任务和rollout逐步扩展。
在RL训练中，模型在6种不同的Agent框架中反复试错，数据量、任务种类和试错轮次逐步放大。DSH是这6个训练场中最重要的一个，V4.1 Flash还专门针对DSH的不同操作模式进行了定向训练。
DSH从DeepSeek V4 Pro的伴生产品，转变为V4.1 Flash的主导者。
为了满足DSH的偏好，DeepSeek V4.1采用了全新架构。
论文介绍，新架构使模型在prefill阶段每token仅激活8B参数，decode阶段激活16B，从而显著改善“输入密集的agent工作负载”的成本效率。
为什么“输入密集”会成为问题？
过去的模型架构是为“聊天”设计的，用户问一句，模型答一句。这导致输入短、输出长，模型只记住当前对话的上下文。
但在Agent时代，几十轮的中间状态一直挂在上下文中，输入动辄几十万token，远大于输出。
2026年4月，密歇根大学、斯坦福大学等院校联合发布论文《AI是怎么花你钱的？》，其中提到，在agentic代码任务中，输入与输出的token比高达154:1。
于是DeepSeek选择彻底重构。V4.1 Flash采用了非对称架构Causal-Encoder-Decoder（CED）。
V4.1 Flash的语言主干共40层，如果按传统Transformer（decoder-only）设计，这40层应完全相同。每一层同时负责“读”和“写”，处理输入和输出，且每层都要单独存储KV Cache。
CED的“非对称”体现在将这40层分为前20层编码器和后20层解码器，编码器只负责“读”，将输入压缩为摘要，解码器只负责“写”，根据摘要生成回答。
就像汽车流水线一样。过去是一个车间完成所有工作，增加产能需复制整个车间。现在是流水线，冲压车间只负责冲压，电泳车间只负责电泳。
记忆只产生一次，解码器的全局KV Cache直接从编码器的最终结果投影得出。DeepSeek V4.1 Flash的全局KV Cache压缩至890字节/token，降至V4 Flash的四分之一。
这是因为DeepSeek V4.1 Flash采用了CSA2（Compressed Sparse Attention 2），第二代压缩稀疏注意力。
V4时，DeepSeek使用的是第一代CSA。到第二代，不同层之间可以共享KV和索引，从而解决了前述痛点。
同样像汽车流水线，CSA2将这40层分为三个不同车间：Full、Reindex和Reuse。
Full负责完整记录，类似传统Transformer的每一层。Reindex负责提炼重点，并根据结果执行操作。Reuse则直接复制Full的技术，省略提炼步骤。
尽管除了第一层用Full，其余39层全用Reuse是最节省成本的做法，但每层关注的重点和能力不同，浅层做“字面理解”，深层做“逻辑推理”，它们所需的上下文内容不同。如果全用Reuse，只会生成无价值的回答。
去年还是先有车、再修路，今年已经是先修路，再造车。
模型性能强弱、性价比高低，都不是叙事的核心，唯有掌握入口，才能吸引更多用户。
但梁文锋不是第一个这么做的，姚顺雨的Hy4 preview走在他前面。
Hy4 preview官方技术报告显示，通过腾讯内部的软件工程师、游戏开发者、金融分析师、安全专家，围绕他们实际交付的工作共建数据，再与CodeBuddy、WorkBuddy等产品共同设计。
在163名内部专家参与的203个真实工程任务盲测中，Hy4 preview平均2.99分，GLM-5.3得2.92分，Kimi K3得2.94分。
入口的重要性不言而喻，腾讯产品矩阵的优势得以发挥。
DSH和WorkBuddy本质上是一种产品闭环，是整条训练流水线的一部分。
有趣的是，2026年7月24日，腾讯撤销大语言模型部和多模态模型部，合并成立基础模型部，姚顺雨统一负责。他将混元多模态的发展重点放在Agent强相关的多模态理解上，与梁文锋此前对多模态的看法一致。
如今，梁文锋又在模型上向姚顺雨靠拢，互相学习。
智谱与Kimi有类似的闭环吗？
智谱和月之暗面这两家并非没有工具，Kimi有Kimi Claw，智谱也有ZCode、AutoClaw和GLM Coding Plan。
但这些工具无法像DSH和WorkBuddy那样“反哺”模型。智谱和Kimi的工具是后挂的外壳，模型先在合成环境里训练好，再做成产品给用户使用。
智谱现在将所有精力放在模型自进化上。8月31日，在智谱半年度业绩会上，唐杰首次明确表示，GLM-6.0是一款Full Self-Training（完全自训练）模型，与OpenAI的RSI（递归自我改进）相似。
唐杰表示，从预训练、中训练到后训练，全流程让模型自己训练自己，不再依赖人写代码、清洗数据、调参、设计实验。人只负责为模型设定目标，并做最终验收工作。
在GLM-5.3上，智谱已展示过其自进化方法的一部分。GLM-5.3和5.2使用相同的基座，但性能大幅提升。
具体情况是，GLM-5.3建立了一套端到端的任务环境合成流水线，Agent从真实世界的软件工程和终端操作场景收集种子任务，然后模型自己头脑风暴，生成大量可验证的任务草稿，再构建执行Agent，将这些草稿实例化为具体的可运行环境。
Agent输出的回答经过精炼，根据研究员定义的评分标准，检查并迭代优化任务质量。
最终产出数千个多样化、可验证的终端Agent环境。GLM-5.3的长程任务环境数量是GLM-5.2的几十倍，且全部由Agent自行构建。
月之暗面走的是“在自建合成环境里将Agent能力练到极致”的路线，相当于闭关修炼。
具体做法是通过AgentENV完成模型训练，这是基于Firecracker微虚拟机的分布式沙箱系统。
在K3训练期间，运行了5100万个沙箱，支持暂停、恢复、复制、快照，专门解决长程Agent强化学习中“任务跑不完、环境容易污染”的基础设施难题。
Agent的强化学习训练与普通大模型RL不同。普通RLHF是给模型一个prompt，模型生成一段回答，打分，更新参数。环境是无状态的，运行完就结束。
但Agent训练不同。模型要在真实运行环境中工作，一个任务可能跑几十步甚至几百步，持续几分钟到几小时。
如果在工作过程中，模型发现缺少某个依赖，它会为了完成任务，自行在沙箱中安装依赖、修改配置文件。
虽然任务完成，但环境也随之改变，即环境被污染。下一轮训练不能继续使用，需要重新启动一个干净环境。重启过程约需几秒，虽不长，但在大规模训练时会浪费大量时间。
就像学开车一样，如果一开始就从科目三开始，必定成为马路杀手。所以需要驾校，准备一个没有行人和车辆的空地，练习起步、上坡和侧方停车。
AgentENV就是Kimi的驾校，让Kimi在训练时能大展拳脚，而不受环境因素影响。
所以智谱和月之暗面并非没有闭环，只是这个闭环未触及外界，练得再好也是闭关修炼。
DSH和WorkBuddy则是入口，用户在真实环境中工作，数据自然回流，模型在实战中成长。
梁文锋要抢入口
就在DeepSeek V4.1 Flash发布的同时，DSH也宣布更新至v0.1.5版本。新版为插件作者提供了更多标准化的UI扩展入口，新增文件上传、侧边栏文件预览等功能，优化了UI性能与交互，并持续增加与模型研究前沿深度结合的实验性功能。
DSH刚发布时，与其说它是一个产品，不如说它是一个属于极客的玩具。就连安装都能难倒一大片人。
DSH的理念是一切皆插件，需要什么插件就自行安装，用完后删除。结果真正好用的插件全是社区提供的，包括UI。
到了0.1.5版本，DSH已从“框架”逐渐蜕变为“产品入口”。除了适配V4.1 Flash，其余全是终端用户产品功能。
例如，0.1.5版本中，Agent可以显式交付文件。生成的代码、文档、分析报告直接作为文件出现在侧边栏，用户可以预览、打开、定位到本地文件夹。
之前的DSH中，Agent只能输出文字和代码到回答框，用户必须亲自复制粘贴到文件中。
新版本还有一个实用功能，叫“支持在保留已有KV Cache的情况下更新系统提示词”。
传统Agent有个痛点：长会话运行到一半，想更改系统提示词，比如让Agent从“写代码模式”切换到“写文档模式”，就必须清空整个KV Cache并重新prefill。
在1M上下文的条件下，切换系统提示词意味着Agent要花几十万甚至上百万token重新规划任务。
因此，现有Agent产品基本不允许中途更改系统提示词，Agent的角色和目标从会话开始就被锁定。
这表明DeepSeek有意识地将DSH从“极客工具”向前推进，使其成为面向更多用户的Agent产品。核心目的就是扩大入口，吸引更多人加入。
现在的DeepSeek，反而有点像卖剃须刀的吉列。它的刀架不赚钱，甚至免费，主要赚刀片的钱。但真正锁定客户的却是刀架。
DeepSeek也一样，想换新模型，复制粘贴一段API Key即可。但想换新Harness，则需要很长时间适应。
因此，DSH大量优化用户体验，不仅是为了继续“反哺”未来的DeepSeek V4.1 Pro，乃至5、6、7、8，更是为了抢占入口。
DeepSeek已在朝着“入口公司”的方向发展。
本文来自微信公众号“字母AI”，作者：苗正，36氪经授权发布。
近期文章
最受期待的对决
2026年8月20日
本周焦点赛事
2026年7月15日
热门球队动态
2026年9月2日
球迷热议话题
2026年8月5日
在围绕地图探索与策略对战的实际疑问，提供分场景的参考信息。方面，皇冠入口提供贴心周到的支持。
精选皇冠博彩平台内容，皇冠入口与你一同发现更多精彩。
评论
皇冠入口以以内容特点为交流起点，降低模拟经营类游戏的上手门槛。为核心，带来高效便捷的体验。
想了解更多通过选择思路引导读者建立自己的判断标准，而非直接给出结论。相关内容，尽在皇冠入口。
皇冠入口专注皇冠官网入口，为用户提供专业可靠的体验。
皇冠入口围绕皇冠体育网站不断创新，回应用户的真实需求。
精选皇冠网站内容，皇冠入口与你一同发现更多精彩。
围绕皇冠入口，皇冠入口持续打磨更优质的服务。
皇冠入口专注皇冠平台，为用户提供专业可靠的体验。