DeepSeek“推倒重来”
DeepSeek V4.1 Flash上线以来，引发了广泛讨论——响应速度显著提升，输出精度更高，同时还内置了多模态能力。
整个科技圈对这款模型的反馈极为正面，梁文锋又一次被网友冠以"梁圣"的称号。
与上一代V4 Flash相比，V4.1 Flash最核心的变动在于彻底重构底层架构，换用了一套与V4 Flash截然不同的非对称设计。
这意味着什么？V4时代沉淀下来的训练策略、调优经验、工程层面的适配方案，到了V4.1基本全部归零。
如今的DeepSeek早已脱去了"小团队"的外衣，成长为一家拥有数百家员工的正规企业。从零搭建一套全新架构，既耗时间又耗人力。但梁文锋依然选择了壮士断腕，将V4的根基掀翻重建。
单听"全新架构"这四个字，很容易让人联想到营销话术。但真正的解释藏在V4.1 Flash的官方技术论文里——老架构的容量，已经承载不了新一代的训练诉求了。
那这个新诉求到底是什么？我的判断是：争夺"入口"。
DeepSeek为何要如此决绝地推倒重来？
行业惯例通常是先出模型、再搭配套件（Harness），厂商依据模型的特性去设计外围系统。而V4.1 Flash恰恰相反，它是被DSH反向塑造出来的。
论文明确指出，V4.1 Flash的后训练沿用了经典的SFT→RL→在线蒸馏（OPD）流程，算法层面未做任何修改。真正的变革发生在数据管线：大规模自动化地生成Agent任务与交互环境，数据规模、任务多样性、rollout轮次逐步递增。
强化学习阶段，模型需要在六种不同的Agent框架中不断尝试与纠错，数据体量、任务覆盖面、迭代次数持续扩大。在这六个训练场景中，DSH占据核心地位，V4.1 Flash甚至针对DSH的各种操作模式进行了专项微调。
DSH的角色因此发生了根本性转变——从V4 Pro时期的附属组件，跃升为V4.1 Flash的主导者。
为了契合DSH的需求，DeepSeek为V4.1 Flash设计了全新的网络拓扑。
论文中的描述是：新架构使模型在prefill阶段每个token仅需激活8B参数，decode阶段激活16B参数，从而显著降低了"输入密集型Agent任务"的计算开销。
那"输入密集"为何会成为瓶颈？
此前的模型架构是为"对话"场景量身打造的：用户发一句话，模型回一段话。这种模式下输入短、输出长，模型只需关注当轮对话的上下文即可。
然而进入Agent时代，数十步中间推理状态始终驻留在上下文中，单次输入的token数量轻松突破数十万，远远超过输出长度。
2026年4月，密歇根大学、斯坦福大学等多所高校联合发表了题为《AI是如何消耗你的预算的？》的研究论文，其中指出：在执行agentic编程任务时，输入与输出的token比例可达154:1。
正是基于这一现实，DeepSeek决定重新设计。V4.1 Flash引入了非对称结构的因果编码器-解码器（CED）。
V4.1 Flash的语言骨干由40层组成。若沿用传统的纯解码器Transformer，这40层应当完全同构——每一层既承担"读取"又承担"生成"，既要消化输入信息又要产出输出文本，且每层都需要独立维护一份KV Cache。
CED的"非对称"体现在将这40层一分为二：前20层作为编码器，专职"读"，将输入压缩为紧凑表征；后20层作为解码器，专职"写"，依据压缩后的表征逐词生成回复。
打个比方，好比汽车制造工厂。以前是同一个车间包揽全部工序，想扩产只能不停复制这个车间。如今改造成流水线，冲压工位只管冲压，涂装工位只管涂装，各司其职。
此外，记忆仅计算一次，解码器的全局KV Cache直接由编码器的最终输出投射而来。V4.1 Flash的全局KV Cache被压缩至890字节/token，仅为V4 Flash的四分之一。
这得益于V4.1 Flash采用了CSA2（第二代压缩稀疏注意力）机制。
V4时期使用的是初代CSA，升级到第二代后，允许不同层之间共享KV张量和索引结构，从而消除了前述的效率短板。
继续用流水线的类比来说，CSA2将40层划分为三种"工位"：Full、Reindex和Reuse。
Full执行完整的注意力计算，与传统Transformer各层无异。Reindex负责提取关键信息并据此执行后续操作。Reuse则直接复用Full的计算结果，连提炼步骤都跳过了。
理论上，除首层使用Full外其余39层全部采用Reuse是最经济的方案。但问题在于，不同深度关注的对象不同、功能各异——浅层侧重"语义解析"，深层侧重"逻辑推导"，所需的上下文粒度也不尽相同。若一刀切全用Reuse，生成的内容将缺乏实质价值。
去年还是"先造车、再铺路"的逻辑，今年已经变成"先铺路、再造车"。
模型跑得快不快、价格便不便宜，都不再是故事的主线。谁能握住入口，谁就能汇聚更多用户。
当然，梁文锋并非首位践行这一思路的人，姚顺雨的Hy4 preview更早一步。
Hy4 preview的官方技术报告显示，其数据构建依托腾讯内部的软件工程师、游戏开发者、金融分析师、安全专家等角色，围绕他们实际交付的业务场景协同生产数据，并与CodeBuddy、WorkBuddy等产品联动设计。
在一项由163名内部专家参与、覆盖203个真实工程项目任务的盲评中，Hy4 preview均分2.99，GLM-5.3得2.92，Kimi K3得2.94。
入口的战略价值不言自明，腾讯庞大的产品生态优势在此得到了充分释放。
DSH与WorkBuddy在本质上是同一套产品闭环，也是整条训练管线中不可分割的一环。
颇具意味的是，2026年7月24日，腾讯裁撤了大语言模型部与多模态模型部，整合组建基础模型部，由姚顺雨统一掌管。他把混元多模态的研发重心转向了与Agent高度关联的多模态理解方向，这与梁文锋此前对多模态的判断不谋而合。
眼下，梁文锋在模型路线上也向姚顺雨的方向靠拢，双方形成了一种相互借鉴的态势。
那么智谱和Kimi是否具备类似的闭环？
智谱和月之暗面并非没有工具类产品，Kimi旗下有Kimi Claw，智谱则有ZCode、AutoClaw及GLM Coding Plan。
然而这些工具无法像DSH或WorkBuddy那样实现"反哺"效应。智谱和Kimi的工具更像是事后挂载的外壳——模型先在合成环境中完成训练，然后再包装成产品推向用户。
智谱目前的战略重心已全面转向模型自进化。8月31日的半年度业绩沟通会上，唐杰首次公开确认：GLM-6.0将是一款Full Self-Training（完全自训练）模型，理念上与OpenAI提出的RSI（递归自我改进）相近。
唐杰透露，从预训练、中期训练到后训练，整个流程将由模型自主驱动，不再依赖人类编写代码、清洗数据、调整超参数或设计实验方案。人的角色缩减为设定目标和最终质检。
实际上，在GLM-5.3中，智谱已经展示了这套自进化体系的雏形。GLM-5.3与5.2共用同一基座，但性能实现了显著跃升。
具体做法是：GLM-5.3搭建了一条端到端的任务环境合成管线。Agent首先从真实的软件工程与终端操作场景中采集种子任务，随后模型自主进行发散思考，批量生成可验证的任务草案，接着构建解题Agent，将这些草案转化为具体可执行的运行环境。
对Agent产出的解答进行精炼，并根据研究人员的……
