Deepseek/V4-Flash：后训练驱动能力跃升，性价比远超竞品

DeepSeek-V4-Flash模型通过后训练策略优化实现能力跃升，性价比远超竞品。该模型在9项Agent基准测试中全面超越V4-Pro预览版，后者总参数为前者的近6倍。核心观点包括：

1. 后训练驱动能力提升：V4-Flash与4月预览版架构和参数规模一致，全部能力提升源自后训练阶段优化，体现大模型能力增长正从参数规模扩张转向训练策略优化。
2. MoE架构与混合注意力机制：V4-Flash采用混合专家（MoE）架构，总参数2840亿，每次推理仅激活130亿，实现低成本高效推理。采用CSA与HCA交替的混合注意力机制，支持百万Token高效推理。
3. 成本优势显著：每百万输入Token收费0.14美元、输出Token收费0.28美元，缓存命中仅0.0028美元，98%的缓存折扣率高于行业普遍水平。加权单任务成本约0.03美元，对比GPT-5.6 Luna（降价80%后单任务成本0.05美元）仍低1.7倍。
4. 开源生态规模领先：V4-Flash权重以MIT协议开源，首月下载量超百万，稳居Hugging Face热门模型榜首。庞大社区基数为微调衍生模型、工具链支持和问题响应提供保障，形成正向循环竞争优势。

研究结论：DeepSeek V4-Flash凭借后训练优化、低成本优势和活跃开源生态，成为规模化AI应用落地的最优选择之一。风险提示包括技术迭代不及预期、行业竞争加剧和算力不足。