这波竞赛的起点：9 月 10 号开源，9 月 14 号强推
9月10日，DeepSeek 在 Hugging Face 上发布了 V4.1 Flash 开源模型，采用 MIT 许可证，权重商用不设门槛。两周多过去，本地圈最热的不是跑分，是一场“本地部署竞赛”：B站那条《DeepSeek V4.1 Flash 30万成本跑起来了！》一天多冲到一万二播放，评论区吵翻了天，热评里最扎心的一句：30万，这是普通人的玩具？！云端这边也没闲着：官方公告写得直白，V4.1 Flash 已全面超越 V4 Pro，9月14日起 deepseek-v4-pro 的请求全部路由到 V4.1 Flash 并按其价格计费。手里攥着 16G 显卡、跑着 27B、在纠结要不要跟进这波的人，这篇就是写给你们的。掏钱之前，三笔账都得换把新算盘。微信公众号哔哩哔哩知乎
第一笔账，容量：墙从“显存装不下”挪到了“内存装不下”
官方口径是总参数 552B，输入侧激活 8B、输出侧激活 16B——MoE 玩家都熟，不算新东西。FP8 精度下，模型权重文件就有 510 GB 的样子。再加两张巨大的 Engram 查找表，总规模超过 200GB——社区有人干脆把账算成“552B 主干 + 196B Engram”，七千多亿参数，每次推理只点亮 16B。微信公众号知乎知乎
坏消息是统一内存设备逃不开同一个池子：四台 Spark 合计 512GB，按标准 vLLM 方式把 Engram 表放进主机内存，仍然无法安全运行完整模型。知乎
社区解法简单粗暴：Engram 放 NVMe 硬盘，每台只留约四分之一（47.2GiB），推理时按 n-gram 哈希取行；第一版把读取放在模型 forward 里，破坏 CUDA Graph，decode 卡在 20 tok/s，挪到 prepare_inputs 阶段并行读取后才起飞——这一项改动，就把早期约20 tok/s的decode推进到了约40 tok/s。知乎
更值得警惕的是底层 kernel 的地雷：面向大型 Blackwell 服务器 GPU 的设计，在只有 48 个 SM 的 GB10 上连环翻车，TileLang 的 FP8 激活量化 kernel 在 SM121 上存在竞态——短输入一切正常，长 prompt 一次性 prefill 可能默默输出无关内容。记住这颗雷，后面“能不能稳”的判断全靠它。知乎
第二笔账，速度：94t/s 是真的，但那是数数的速度
四机 Spark 集群最终形态的分任务实测：计数任务 90—94、表格 88、数学 81、代码 64—78、JSON 60，而你最可能拿它干的活——普通散文、叙事和摘要约31—35 tok/s。原因是推测解码的草稿接受率：代码、表格一次能接住 5—6 个草稿 token，自然语言只有约 2 个。所以宣传页上的 94 和你要的 31，是同一台机器——别用错对标数字。知乎
并发才是这套集群的真正卖点：六个任务同跑、平均每个仍有约 35.7 tok/s，整个系统还完成了540个混合请求的压力测试，结果是0错误、0挂起、0输出检查失败。知乎
便宜档也跑通了：社区 MiaAI-Lab 的双机 EXL3 量化方案把权重压进两台 DGX Spark，模型总体积 196 GiB，单流 prose 约 50 tok/s，上下文 60 万——双机方案总价约 7,000 美元,约合人民币 5 万元。但作者也写得很清楚：这是 60 万上下文的方案，不是满血 1M，每台内存余量只剩约 4 GiB，官方文档建议打开 memguard 防 OOM。微信公众号
矿卡党交出的成绩更夸张：6×CMP-170HX + 256GB 内存，PP流水线并行跑 DeepSeek-V4.1-Flash 原版模型，6卡支持 4M上下文Cache，prefill 6000 t/s，decode 峰值 316 token/s；开 dskpark 16并发。注意“16并发”四个字——评论区立刻有人冷静发问：“单流速度还是聚合速度？”这 316 是流水线全开的聚合口径，不是你单开对话框的手感。哔哩哔哩
电费账也有人替算了：Spark 阵营晒出来的实测：4*dgx 唯一神、全设备功耗不到 1000w。矿卡阵营自己承认“电费和线上api价格差不多，刚需本地部署的可入”。哔哩哔哩哔哩哔哩
第三笔账，能力：官方图和你的体感，不在同一个榜上
官方放出的 benchmark 确实能打：从官方公布的测试结果来看，V4.1 Flash 在多项 Agentic Benchmark 上已经超过包括 DeepSeek V4 Pro 在内的一众旗舰模型。微信公众号
但同一批官方图里也有刺眼的：Terminal-Bench 3.0 这一组，V4.1 Flash 只有 30.0，Claude Opus 5 是 43.3；换到 Artificial Analysis 的综合口径，它是 36.8，低于 V4 Pro 的 42.7。体感更是两极：编程圈 728 赞的高票回答，结论是编程任务 V4.1Flash 整体较 V4Pro、V4FlashVision 等版本更优。做数据分析的长文则直接开喷：DeepSeekV4.1FLASH是当前深度求索发布体验最差、最不严谨的版本。这代模型明显偏科：拿它写代码、跑终端的人给高分，拿它当全能文档助理的人摔杯子。更微妙的是，今天 X 上已经有人爆料 deepseekv4.1pro 似乎正在按账号分批次进行灰度测试。Pro 在路上，只是还没开源——冲着“用 4.1 换掉所有 Pro 的活”去攒机的，先掂量这个定位差。知乎知乎哔哩哔哩
坑：你的 DS4 还不认识 4.1，12.6 万和 30 万也不是一回事
Mac 党最容易误伤。Redis 作者 antirez 的 DS4（DwarfStar）靠不对称 2-bit/8-bit 混合量化把 V4 家族塞进 96GB 以上的 Mac，两台 128GB 还能 RDMA。但装之前看清 README：截至目前 DS4 公开列出的适配对象仍是 V4 家族，而不是直接宣称已经完成 V4.1 Flash 适配。现在群里传的“Mac 吃上 4.1”，多数吃的是 V4，不是 V4.1。知乎
价格口径同理要拆开。Spark 党评论区最高赞的原话是“四台小垃圾12.6，一张6000p就能买四台小垃圾了，办公桌上可以停比亚迪，但是停一台奥迪还是离谱了”。四台机器本体约 12.6 万，200G 网络、NVMe 和调试人力才把整机账推到“30万”；同样是四台，评论区里有人晒“4dgx就可以了，实测prefill 4000token/s，decode 80-100token/s”，也有人说四张 H20 足矣、Engram 不占显存。预算差的是带宽和网络，不只是那四台盒子。哔哩哔哩
结论：三种人能上车，三种人先别动，外加三个观察信号
能上车的：数据不出楼、需要 24 小时任务池的人——540 请求 0 挂起那种底线，对合规场景就是生产力；把部署本身当爱好的人，GB10 上修 kernel 这段路，就是这一代玩家的“寒武纪考古”；以及手里已有两台以上 Spark、接受“双机 50、四机散文 31”这个速度现实的人。
先别动的：16G 单卡党——V4.1 塞不进你的机器，而且你的 27B 口粮这轮没被淘汰；想靠本地化省 token 的人——官方 API 端输入 $0.30 / 百万 tokens，与上一代基本持平。评论区已经有人直接表态“我选火山方舟的49块钱plan”，这本身就是对 30 万方案的一张反对票。以及在等满血 Pro 的人——今天那条灰度爆料就是给你看的，这周先捂紧钱包。微信公众号哔哩哔哩
三个信号：V4.1 Pro 开源是否跟进，跟进的话双机、四机、矿卡三档定位全部重排；6×170HX 矿卡路线的六卡版仓库何时开源、卡价能不能实测出稳定货源；以及最实在的一条——接下来几周会不会冒出更多“长 prompt 默默输出无关内容”的返工报告。“能装、能跑、能稳”三道门，目前被大量复现的基本只有第一道，机器没跑满一个月之前，别把“点亮”当“买定离手”。
