DeepSeek“推倒重來”

DeepSeek 日前正式推出 V4.1 Flash 版本，不僅運算速度顯著提升，回答準確度也有所增強，同時導入原生多模態能力。這款新模型一經上線便獲得廣泛好評，創辦人梁文鋒再次被業界譽為「梁聖」。然而，V4.1 Flash 最引人關注的變革，並非只是效能升級，而是整個模型架構的「推倒重來」。相較於前一代 V4 Flash，V4.1 Flash 採用了截然不同的非對稱結構。這意味著，DeepSeek 團隊在 V4 架構上累積的訓練配方、優化技巧與工程適配，到了 V4.1 幾乎全部得報廢重來。

對於一家已從早期小作坊成長為擁有數百名員工的企業而言，重新打造一套全新架構不僅耗時費力，更是一項極具風險的決定。即便如此，梁文鋒仍毅然選擇從頭來過。為何要對 V4 架構徹底翻新？外界一度猜測新結構只是行銷話術，但答案其實就藏在 V4.1 Flash 的官方論文中。根據論文說明，舊有的模型架構已經無法容納新的訓練目標。這個目標，很可能就是「入口」（Entry Point）——也就是 DeepSeek 自主打造的 Agent 平台 DSH。傳統的開發流程是先有模型，再根據模型特性構建對應的 Harness（框架）。然而 V4.

1 Flash 的誕生路徑卻正好相反：它是由 DSH 平台「反哺」出來的產物。官方論文指出，V4.1 Flash 的後訓練階段遵循標準的監督式微調（SFT）、強化學習（RL）、以及在線蒸餾（OPD）範式，演算法層面並無改動。真正的關鍵變化，全部集中在數據流水線中。DeepSeek 團隊在數據流水線裡導入大規模自動合成機制，產出大量的 Agent 任務與環境，並隨著訓練進程逐步擴增數據量、任務種類與試錯輪次。在強化學習階段，模型被放到六種不同的 Agent 框架中反覆嘗試錯誤，涵蓋多樣的操作模式。其中，DSH 扮演了最重要的角色，V4.

1 Flash 甚至針對 DSH 的各項操作模式進行了定向訓練。DSH 從 V4 Pro 時代的附屬產品，一躍成為 V4.1 Flash 的核心驅動力。這項轉變凸顯 DeepSeek 不再只是單純追求模型本身的參數或架構創新，而是將目光轉向如何讓模型真正嵌入實際應用場景。梁文鋒過去多次強調「應用才是護城河」，V4.1 Flash 的發展路徑正好呼應這項理念。值得注意的是，V4.1 Flash 雖然採用了全新非對稱結構，但模型在推理階段的效率與準確度都獲得明顯提升。業內分析認為，這樣的架構變革有助於模型在處理複雜多輪任務時，更靈活地分配運算資源，從而降低延遲並提高回應品質。

而原生多模態能力的加入，也讓 V4.1 Flash 能同時處理文字、圖像等多種輸入，進一步拓展應用邊界。從戰略層面來看，DeepSeek 這次「推倒重來」並非盲目追求技術顛覆，而是基於對未來發展方向的清晰判斷。當舊架構無法承載新的訓練目標時，與其修修補補，不如從根本上重塑模型。這一步雖然代價高昂，卻為 DeepSeek 在 AI 應用入口的布局奠定了更扎實的基礎。隨著 V4.1 Flash 的推出，外界也開始關注 DeepSeek 下一步的動向。梁文鋒是否會繼續在架構上進行顛覆性創新，或者將更多資源投入生態系統的建構，仍有待觀察。

但可以確定的是，這次「推倒重來」已經讓 DeepSeek 在 AI 競賽中走出了與眾不同的路線。