DeepSeek开始追求极致的“智能密度”

文 | 象先志 DeepSeek 给新Flash出了一道题：能不能把自己的Pro替下来？ 昨天，V4.1 Flash中间版本开启内测。新的模型结构、原生多模态、更快的速度，都是公告里的卖点。但在配套反馈问卷中，DeepSeek直接问用户： “你觉得这个模型能全面替换线上的 DeepSeek V4 Pro 么”。 好嘛，我打我自己。DeepSeek正在测试，把flash到底从效果上能不能超过flash，能不能交给更便宜、更适合大量调用的型号。 Pro 与 Flash 之间，本来就有实实在在的价格差。目前高峰时段每百万输出 token，Flash 收 9 元，Pro 收 27 元。 但是就在刚才，DeepSeek 又在开放平台宣布，9 月 10 日中午起下调 Flash 系列价格：空闲时段每百万 token 的缓存命中输入降至 0.02 元，未命中输入降至 1 元，输出降至 4 元；高峰价格仍为空闲时段的两倍。三项降幅分别为 60%、约 33% 和约 11%。 新 Flash 还在测试能否接替 Pro，Flash 系列的使用门槛已经先往下降了。 开发者可以为了更好的结果，偶尔付三倍单价。但是真的到日常使用，那些可用可不用的环节，flash的必要性就凸显出来了。 DeepSeek想让新版本同时具备两者的长处：Flash快，Pro强，Flash V4.1又快又强。 一年多前，R1的冲击让人们愿意给 AI 更多时间，看看它究竟能想出什么。如今，DeepSeek要回答的是：已经获得的推理能力，怎样才能被更频繁地使用？ “智能密度”开始重要 R1在2025年年初走红时，吸引力也来自这种能力终于变得容易获得。DeepSeek同时开放模型权重，将R1放进官网、App和 API，普通用户打开“深度思考”就能使用，开发者还可以用它的输出蒸馏自己的模型。⁠ 高水平推理不再只是少数实验室能够展示的东西。它进入聊天窗口，也进入了其他公司的产品开发。 2025年5月，DeepSeek更新R1时，曾把“思考更深”当成最重要的进步。 在 AIME 2025测试中，旧版R1平均每题使用约1.2万个token，新版增加到2.3万个；准确率从70% 提高至 87.5%。这次更新让 R1 答得更准，平均每题的推理消耗也接近翻倍。⁠ 这套办法有它的道理。困难题目没有现成答案，模型需要尝试方法、检查中间步骤，发现错误之后重新计算。只要结果值得，额外的等待就能够被接受。 但在2025 年12月发布的 V3.2 报告里，DeepSeek 对自己提出了另一项要求：提高推理链的“intelligence density”，智能密度。原因也很明确，为了达到 Gemini 3.0 Pro等模型的输出质量，它通常需要生成更长的推理过程。 输出的等待时间已经变得很重要。差距会体现在速度上，也会体现在每次的费用里。 这个问题到了大小模型的分工中，会更加突出。V4 早期模型卡提到，Flash 在给予更多思考预算后，能够获得接近 Pro 的推理表现，但在知识和最复杂的 Agent 工作流上仍然落后。 小模型每一步计算更便宜，却可能要走更多步，才能得到大模型的结果。开发者看到的单价优势，最后能剩下多少，要看任务究竟怎样完成。 所以，Flash 要想替代Pro，需要同时改善能力和效率。更快生成冗长的推理，能减少一部分等待；更早找到有效方法，则可能连后面的计算一起省下。对经常使用 AI 的人来说，后者同样重要。 学界已经开始把用户等待的时间放进优化目标。EMNLP 2025 的一项研究指出，计算量最优的测试时扩展方案，并不一定带来最低延迟；研究者需要重新安排并行计算和推测解码，才能在限定时间内取得更好的结果。⁠ DeepSeek也已经在改造生成速度。团队在7月公开的DSpark论文中报告，在V4-Flash线上用户流量下，相比MTP-1 基线、保持相同吞吐水平时，单用户生成速度提升了60%—85%。团队处理的是推测解码中的验证浪费，让用户更快拿到输出，同时顾及整套服务能够承接的请求量。 图 3｜DSpark 官方架构图：先生成候选 token，再筛去低置信度尾部，最后由目标模型验证。来源：DSpark 论文图 1（2026 年 7 月，CC BY 4.0） 这对提供API的DeepSeek很重要。请求的更快结束，只有在没有严重牺牲总体服务能力时，才容易有效。开发者需要等待更短，DeepSeek则需要让同一批计算资源更有效地服务用户。 “能不能解决问题”和“用户愿意是否愿意等待解决问题”，开始成为两道不同的考题。 它们也对应两种市场。研究人员可以为一道困难问题投入大量计算，日常使用的助手则必须不断响应新的请求。前一种能力向前推进之后，厂商还得把它做成后一种服务，才有机会获得更大规模的使用。 DeepSeek在报告中提出的智能密度，最终会在这里接受检验：原先需要昂贵模型、长时间计算才能完成的任务，能否逐渐变成普通调用。 Agent要完成工作算成本 这次内测当天，LINUX DO用户“觉浅”恰好有一个停机维护页面要做，于是把新 Flash 接进自己的编程工具。 模型的表现让他惊喜。它读到了项目规范中一条早已弃用、却没有删掉的决策记录要求，还认真列出了文档维护、代码提交和审查安排。页面生成后，他提出风格不要与原项目割裂，模型又找出了仓库已有的插画来修改。 他对模型的执行能力很满意，但觉得贵：做完这个维护页面，花了15.5 元。 这也是 Agent和普通聊天不同的地方。用户只交代了一项工作，模型却可能在后台运行很多轮：先读项目规范，再查文件、改代码，拿到工具返回的结果后继续检查。每轮调用都可能产生新的输入和输出费用。 模型的单价低，不代表整项工作一定便宜。 要让 Agent用起来划算，除了降低模型单价，还得检查这些调用有没有必要。有些步骤需要模型判断，有些只是按已经确定的规则读取、筛选和整理材料。如果后者也要一步步交回模型，就会增加调用和等待，中间结果还会不断占用上下文。 DeepSeek开源的Harness，就能参与安排这套执行流程。Deepseek官网用“Agent = Model + Harness”来解释两者的关系：模型负责判断，Harness提供工具、管理会话和运行环境，让模型的决定变成实际操作。 其中的PTC模式，允许模型一次写出一段程序，把多步工具操作串起来。比如，模型需要从一批文件里找出符合条件的内容，可以让程序批量读取、完成筛选，再把相关结果交回来。模型不必读完每份文件后都重新决定下一步，也不必接收全部原始内容。 这样有机会省下的，是完成任务过程中的反复调用与无用输入。DeepSeek在PTC 的官方设计记录中，也把这两类开销列为了需要解决的问题。对开发者来说，最终要比较的，是同样一项工作能否做好，以及做完之后的总账单。 这里有机会省下模型不必反复参与的过程。对于已经知道怎样处理的一批材料，程序可以执行完整流程，模型再针对留下的信息作判断。 图 4｜V3.2 的工具调用推理保留机制。同一条用户消息引发的连续工具交互保留已有推理；新用户消息到来后移除此前推理。来源：V3.2 技术报告图 DeepSeek对重复计算的处理，也能往前追溯。V3.2报告曾指出，