9月10日，DeepSeek V4.1-Flash发布并同步开源：552B总参数的MoE、支持原生多模态，权重直接上了HuggingFace。官方同时宣布，9月14日中午12点起，所有发往deepseek-v4-pro的请求将路由到V4.1-Flash并按Flash低价计费。 消息出来后，本地推理圈第一反应高度一致——知乎那篇CED架构解读的原话是"参数从284B翻倍到552B，本地推理圈一片哀嚎，消费级显卡基本跑不动了，只能在云上玩"。知乎知乎
但就在同一天到第二天，B站的实测视频把这句话打成了半句废话：双3090能跑，6张8G矿卡能跑，8台迷你AI盒子也能跑。哀嚎派和Day0实测派吵起来的这件事，恰恰是这周最值得N卡用户算清楚的一笔账：决定你跑不跑得起满血V4.1的，可能根本不是你那张显卡，而是你机箱里另外三个地方的东西。
先把三个数掰开
第一个数：500GB，权重的体积。 首日用H100部署的UP主说得很直白：这是个"500GB的模型"，放在8×80G的H100上刚好能进。 552B参数加上196B的Engram记忆参数（合计约748B），按当前放出的精度，权重文件就是这个量级。这直接杀死了一个常见误解——“我显存不够，所以跑不动”。在这种规模的MoE面前，16G、24G还是32G显存的差距，远不如你主板上有多少条内存槽重要。哔哩哔哩
第二个数：16B，每个token真正被唤醒的量。 V4.1-Flash用了新的CED架构（20层因果编码器喂20层解码器），预填充阶段每token只激活8B参数，解码阶段激活16B。 模型很胖，干活只醒一小块——这就是为什么两张2020年的3090还有资格上桌：GPU只需要处理被激活的那一小撮专家加注意力计算，剩下几百GB的"闲置字典"放内存里就行。跑通Day0方案的sglang+lk_moe（v1.5.2）明确标注支持sm80+，也就是20系往上都有份。知乎哔哩哔哩
第三个数：890B，每个token的全局KV账本。 CSA2加FP4 KV缓存把全局KV压到每token约890字节，只有上一代V4-Flash的四分之一。 顺着这个数算一笔乘法：哪怕你挂满1M上下文，全局KV也就850MB上下，比一张4A高清贴图大不了多少。上一代让无数人爆显存的"上下文越长越吃卡"，在这代架构里基本被拆掉了。知乎
三个数合在一起，本地部署的成本重心就挪位置了：入口是内存容量和内存带宽，其次是给Engram留一块像样的NVMe，最后才轮到显卡。这不是推测，是这两天所有跑通者的配置单共同指向的结论。196B的Engram记忆参数不需要整卡常驻，官方口径就是"用稀疏查找去访问"，权重住内存，账本放SSD，显卡只干真正被唤醒的那一小块。知乎
两天跨平台实测样本，拼出来的分布长这样
把B站、知乎两天内放出的实测拼成一张表，单个用户刷到其中一两条视频时容易得出错误结论，全放在一起才有分布感：
配置样本 | 权重/内存占用 | 实测速度 | 状态 |
|---|---|---|---|
双路EPYC+1TB DDR4+双3090（sglang+lk_moe） | 1TB内存整版加载 | 常规decode 22t/s，开推测解码30t/s+ | 已跑通，1.5万播放 |
6张170HX 8G矿卡+512G内存 | 内存实占约230G，显存余量30G | 约25t/s，UP主自述仍在优化 | 跑通原版 |
8×H100 80G（vLLM官方镜像+推测解码参数） | 500GB权重进显存集群 | 部署级方案，Day0可用 | 已放出完整参数 |
8台华硕GX10（128GB统一内存×8，共1TB） | 分布式统一内存跑748B总参数 | 与RTX PRO 6000同场对比实测 | 已发布 |
上代参照：单4080+AMX至强+196G内存 | V4-Flash全精度 | 预填充1100/解码36t/s，1M上下文 | 8月底已验证 |
读这张表，有三个反直觉的点值得圈出来。
其一，决定22t/s还是30t/s的，不是两张3090，而是那颗双路EPYC和背后的1TB DDR4。评论区问得最扎心的一条是"这内存不得500g（占用）"——矿卡玩家的512G内存实占230G、约25token/s还在继续优化，说明量化和分页策略下门槛能压，但要舒服，服务器级内存就是硬通货。 第二，速度区间意外地收敛：48G显存的矿卡集群、48G显存的老旗舰双卡、1TB统一内存的迷你盒子，全都落在22到30t/s这条带里。想靠买一张5090把本地速度拉开代差，这代架构不给你这个机会。第三，上一代已经证明过消费级卡的路走得通：4080+至强跑V4-Flash能到36t/s，前提是196G内存起步、CPU带AMX指令集、显存至少20G（极限16G）——这三条门槛到V4.1只会更高不会更低。哔哩哔哩
接下来是你自己的三本账
账一：守卡加内存。 你手里如果有30系/40系/20系22G这类卡，正确的升级顺序不是显卡：先查CPU（AMD EPYC/带AMX的至强，普通桌面U缺内存带宽），再上内存（512G起步，1TB舒服），NVMe给Engram留独立一块。要提醒的是，这一轮加内存不是捡漏窗口——B站9月11日的硬件日报还在播"华硕显卡再次涨价"，小红书装机店的原话是"显卡缺货还涨价，别再等了"，存储和内存整体在涨价通道里。 这台"服务器"值不值，取决于你是不是高频离线跑敏感数据；只是偶尔玩玩，它大概率变成下一台吃灰矿机。哔哩哔哩小红书
账二：9月14日之后的API账。 V4.1-Flash把缓存命中价压到0.003美元/百万token，架构解读里那句HN调侃成立：“比把token传过去的网络成本还便宜”。 输入缓存命中比上一代便宜7倍多，输出直接砍了三分之二。 实测党已经把账单晒出来了：用新版DeepSeek桌面客户端跑5轮285步的长任务，81.4M token全程缓存命中率99.5%，吞吐289 tok/s——换句话说，Agent场景越"复读"上下文，这代API越接近白送。GX10实测视频评论区里有条话替很多人说破了：“实话说，今天，这些本地模型，就是鸡肋。这些机器的钱，你一个月5个200美元账户，能用大概4年”。 对绝大多数没有服务器平台、不需要断网运行的N卡用户，14号v4-pro静默切换到Flash低价后，"继续用满血API"才是这轮的默认正确答案。本地只输给钱包不输体验的场景，才值得折腾账一。知乎知乎哔哩哔哩
账三：为了"跑更大模型"去换新卡的人，最该先停手。这周社区里最贵的错觉，就是"等5080/5090显存大了再玩本地"。先看站内货架的现价：七彩虹RTX 5090D 10399元、耕升RTX 5080 12179元、华硕ROG 5080 15014元——而这个月你大概率还抢不到官方价。V4.1-Flash的架构设计目标恰恰是把"模型变大"和"单卡变贵"解耦：16B激活让16G显存都能进牌桌（极限门槛，上代4080玩家实测20G更稳），500GB权重逼的是内存而不是显存。换句话说，为本地大模型去买溢价新N卡，这轮基本等于花一万多买了个不在瓶颈上的零件。
想Day0上车的，记住这四个坑
方案已经公开：sglang+lk_moe v1.5.2（sm80+即可）、vLLM的deepseekv41-flash镜像（8×H100那套参数已完整放出）、ktransformers的kt-prod分支三条路线。坑在于：一是别拿单条视频的t/s当天花板，矿卡UP主自己都标注"目前大概25token左右，还在持续优化"，Day0一周内的数字大概率还会变；二是"满血"和"官方精度"不完全是一回事，各家跑的分页/量化策略不同，评论区"200K长上下文速度如何"这类问题目前还没人给出统一答案；三是AMX/大带宽是硬门槛，桌面平台强行照抄配置单的结果通常是能启动、不能日常；四是V4.1-Pro还没上线，14号的路由只是"Pro的价格Flash的命"，真需要顶配能力的人，这轮本地无解。
值得继续盯的信号就三个：低比特量化版会不会把500GB的权重档位压进300GB以内（那意味着256G内存的准服务器门槛塌一半）；V4.1-Pro的实际规格；以及内存价格这条涨价通道什么时候见顶。前两个决定你等不等，第三个决定你现在动手贵不贵。
至于老黄们喊的"显存为王"，V4.1-Flash给了这个圈子一个很实在的反例：这代模型用890B的账本，把消费级显卡从门票名单上暂时划掉了。你的3090还能再战一轮，但账要按上面三个数算，不是按显卡广告算。
