DeepSeek 一天补齐三层：新模型、新壳、搜索开始按次收费
一、同一天，三层各动了一格
10 月 17 日这一天，DeepSeek 的 agent 栈从下到上各动了一格。
模型层 ：Hugging Face 上新仓库 deepseek-ai/DeepSeek-V4.1-Flash-1017，上午 10 点 40 建仓，MIT 协议，权重直接开放。API 调用方不用改任何代码------模型名还是 deepseek-flash，自动由新仓承接；旧名 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp 也仍然接受，但背后的模型已经退役，请求由新仓服务、按 Flash 价计费。
壳层：DeepSeek Harness 当天连发两个候选版，v0.2.1-rc.1（北京时间 13:22）和 rc.2（16:16）。rc.2 的 changelog 里两条新增功能，正好一条对应一层：适配 DeepSeek-V4.1-Flash-1017 上线；适配 DeepSeek Search 与 Fetch API，在网页搜索设置里开启。
检索层 ：Search 和 Fetch 两个接口公布定价------各按每 1000 次成功请求 0.75 美元收费。目前通过 Harness、Claude Code、Codex 走的服务端调用免费，北京时间 11 月 1 日 0 点起开始计费。
严格说这不是一次「新模型发布」：V4.1-Flash 的架构早就在，1017 是它的一个刷新档。但把三层放在同一张时间线上看，这件事的形状就出来了------模型、壳、检索同日更新，检索第一次单独定价。壳本身的功能（四种模式、六个原生插件那些）之前在《DeepSeek Harness桌面版实测：开箱即用的Agent壳》里写过，这篇不重复，只看 10 月 17 日动了的这三格。
二、跑分：agent 任务涨得最狠，但不是全面领先
官方模型卡给了 11 项基准的新旧对照，外加四个对照模型。先看全表：
| 基准 | V4.1-Flash（上一档） | 1017 | K3 | GLM-5.3 | GPT-5.6 Sol | Opus 5 |
|---|---|---|---|---|---|---|
| HLE（无工具） | 36.8 | 42.6 | 43.5 | 42.0† | 44.5 | 56.3 |
| Terminal-Bench 4.0 | 31.2 | 42.3 | 12.6 | 37.9 | 39.9 | 51.8 |
| DeepSWE v1.1 | 74.2 | 77.0 | 67.5 | 66.9 | 73.0 | 74.0 |
| ProgramBench | 20.3 | 29.1 | 17.5 | 19.0 | 23.0 | 37.0 |
| NL2Repo-Bench | 65.4 | 68.2 | 58.0 | 58.0 | 56.8 | 75.3 |
| Automation-Bench v1.0.6 | 54.8 | 60.5 | 46.7 | 48.8 | 45.8 | 50.3 |
| Agents' Last Exam | 31.8 | 35.4 | 27.6 | 28.5 | 26.7 | 28.6 |
| Apex Bench v1.1 | 64.6 | 72.1 | 47.8 | 56.6 | 54.3 | 65.8 |
| Chartography（带工具） | 78.9 | 83.0 | 68.1 | --- | 79.9 | 84.0 |
| BabyVision（带工具） | 89.6 | 92.5 | 85.7 | --- | 88.9 | 94.1 |
| ZeroBench-main（带工具） | 49.0 | 51.0 | 41.0 | --- | 53.0 | 52.0 |
† 为文本子集。按官方注释，Terminal-Bench 4.0 用 Claude Code 壳跑、DeepSWE v1.1 用 Mini-SWE-V2 壳跑。
相对上一档，涨得最狠的是三处：Terminal-Bench 4.0 从 31.2 到 42.3（+11.1）、ProgramBench 从 20.3 到 29.1（+8.8）、Apex Bench 从 64.6 到 72.1（+7.5）------全是 agent 和编程任务。但对照 Opus 5，1017 并不全面领先：HLE、Terminal-Bench、ProgramBench、NL2Repo-Bench 和两项视觉基准都还落后，真正反超的是 DeepSWE v1.1、Automation-Bench、Agents' Last Exam、Apex Bench 这四项 agent 任务。还有一点值得记住：这张表里的数字都是「模型 + 壳」的组合成绩，同一个模型换个壳跑，数字会动。
官方的定性说法也就到「更快、输出更短、更便宜，把多个 agent 壳下的性能---成本帕累托前沿往前推」为止，没给任务级的具体成本数字。
三、KV 缓存被压到 890 字节一个 token
技术报告同天挂在模型仓库里，51 页，标题把主线挑明了：《Pushing the Limits of KV Cache Compression》。模型本体是 552B 主干参数加 196B Engram 参数 的 MoE（HF 模型卡按 safetensors 标签记总量 763B），上下文 100 万 token。最有意思的规格是激活量的不对称：prefill 每个 token 只激活 8B 参数，decode 激活 16B。
这个不对称是照着 agent 工作负载的形状设计的：一个 agent 跑任务，token 大头花在输入上------读网页、读文件、读工具返回------输出反而短。prefill 便宜、decode 正常，长上下文 agent 的账才算得过来。
压缩 KV 靠四件事叠乘：
CED（因果编码器-解码器）。下半层照常逐层算，上半层的全局 KV 不再由各层自己的隐状态生成，而是直接从中间第 L/2 层的隐状态投影出来。prefill 只需要跑前一半层，复杂度从 O(NL) 降到约 O(NL/2)，计算量几乎砍半。代价是滑窗 KV 仍要逐层保留，后面第四件事专门处理它。
CSA2（压缩稀疏注意力 2）。把「层维度复用」做成三种静态模式：Full 层自己生成 KV 和索引；Reindex 层复用上一层的 KV、只重算索引；Reuse 层连索引一起复用。多数层落在 Reuse 模式，prefill 只需 15 个 kernel、decode 11 个------KV 的存储和索引的计算都被摊薄了。
FP4 主 KV 缓存。全局 KV 用 OCP 标准的 MXFP4 格式（E2M1 加每 16 通道一个 scale）做量化感知训练，RoPE 之后再量化，存储比上一代的 FP8 又省近一半。对量化敏感的滑窗 KV 仍保留 FP8 不动。
SWA Bounded Replay。上一代部署里，滑窗 KV 占了持久缓存近一半容量，但它的复用只发生在会话活跃的几分钟内，会话一结束就是死数据。V4.1 干脆不再持久化滑窗 KV，改放进每台机器划出 10% 主存组成的分布式内存池，TTL 只留几分钟；真 miss 了就只重放窗口内那几个 token 兜底，而不是全层全窗重算。
四件事叠出来的结果，是报告摘要里那串数字：全局 KV 缓存（常驻 HBM 的部分）压到每 token 890 字节 ，是上一代 V4-Flash 的约 1/4、V1 的约 1/437；加上持久缓存不再存滑窗 KV，持久 KV 足迹降到上一代的约 1/8。按 890 字节直接折算，100 万 token 的上下文，全局 KV 也就 0.89 GB------对部署方来说，这就是「同样一块 HBM 能塞下多少倍上下文」的换算底数。
预训练用了 45T token 的多模态语料，稀疏注意力从 64K 序列长度起从头训练；另带一个专用投机解码模块 DSpark（3 个 Transformer 块、滑窗 128、一次出 5 个草稿位），推理端提速用。
四、同一天，另一篇论文提醒：KV 搬远一点，可能比重算还慢
10 月 15 日还有一篇论文值得并排读：《When the KV Cache Is Slower Than the GPU: Scaling Remote KV Tiers for Context-Parallel Prefill》。它测的是另一条路------KV 不压缩，放进远端共享层（LMCache + Valkey），让多个推理引擎集中复用。实验配置是 GLM-5.3（FP8 MoE、MLA）在 8 张 B300 上做前缀并行。
结果是一盆冷水：开了远端层，中位 TTFT 没变，但 16k token 请求的 p99 从 3.96 秒涨到 17.3 秒；在缓存命中密集的流量上做同步加载，p99 飙到 83.32 秒，而 GPU 忙碌率只有 7%------瓶颈根本不在算力，在等 KV 从远端搬回来。单次对比更直观：远端命中一次 0.88 秒，就地重算同一个 prompt 只要 0.31 秒。
论文给了一笔能算的账：远端命中要划算，KV 层的带宽必须超过一个门槛（这套配置下约 2.53 GB/s）；再加上每次命中约 0.33 秒的固定开销，结论是约 1.7 万 token 以下的 prompt，无论带宽多高，命中都不如就地重算。作者随后做了按秩分片、异步加载等修复，GET 带宽提到 10.76 GB/s，把那条最糟流量的 p99 从 83.32 秒压回 0.67 秒，prefill 吞吐提升 14%------说明这条路能走通，但条件苛刻，每一环都要算。
两条路线摆在一起正好构成对照：DeepSeek 选的是把 KV 压小，小到不值得搬 ------每 token 890 字节，连持久层都省出一大块；论文测的是把 KV 搬远，集中换复用------结论是搬得不好比重算。同一个问题（KV 越来越大）的两个答案，一个动模型架构，一个动部署架构。
#mermaid-svg-TEIBSAvQ4asWSn6j{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-TEIBSAvQ4asWSn6j .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-TEIBSAvQ4asWSn6j .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-TEIBSAvQ4asWSn6j .error-icon{fill:#552222;}#mermaid-svg-TEIBSAvQ4asWSn6j .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-TEIBSAvQ4asWSn6j .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-TEIBSAvQ4asWSn6j .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-TEIBSAvQ4asWSn6j .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-TEIBSAvQ4asWSn6j .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-TEIBSAvQ4asWSn6j .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-TEIBSAvQ4asWSn6j .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-TEIBSAvQ4asWSn6j .marker{fill:#333333;stroke:#333333;}#mermaid-svg-TEIBSAvQ4asWSn6j .marker.cross{stroke:#333333;}#mermaid-svg-TEIBSAvQ4asWSn6j svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-TEIBSAvQ4asWSn6j p{margin:0;}#mermaid-svg-TEIBSAvQ4asWSn6j .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-TEIBSAvQ4asWSn6j .cluster-label text{fill:#333;}#mermaid-svg-TEIBSAvQ4asWSn6j .cluster-label span{color:#333;}#mermaid-svg-TEIBSAvQ4asWSn6j .cluster-label span p{background-color:transparent;}#mermaid-svg-TEIBSAvQ4asWSn6j .label text,#mermaid-svg-TEIBSAvQ4asWSn6j span{fill:#333;color:#333;}#mermaid-svg-TEIBSAvQ4asWSn6j .node rect,#mermaid-svg-TEIBSAvQ4asWSn6j .node circle,#mermaid-svg-TEIBSAvQ4asWSn6j .node ellipse,#mermaid-svg-TEIBSAvQ4asWSn6j .node polygon,#mermaid-svg-TEIBSAvQ4asWSn6j .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-TEIBSAvQ4asWSn6j .rough-node .label text,#mermaid-svg-TEIBSAvQ4asWSn6j .node .label text,#mermaid-svg-TEIBSAvQ4asWSn6j .image-shape .label,#mermaid-svg-TEIBSAvQ4asWSn6j .icon-shape .label{text-anchor:middle;}#mermaid-svg-TEIBSAvQ4asWSn6j .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-TEIBSAvQ4asWSn6j .rough-node .label,#mermaid-svg-TEIBSAvQ4asWSn6j .node .label,#mermaid-svg-TEIBSAvQ4asWSn6j .image-shape .label,#mermaid-svg-TEIBSAvQ4asWSn6j .icon-shape .label{text-align:center;}#mermaid-svg-TEIBSAvQ4asWSn6j .node.clickable{cursor:pointer;}#mermaid-svg-TEIBSAvQ4asWSn6j .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-TEIBSAvQ4asWSn6j .arrowheadPath{fill:#333333;}#mermaid-svg-TEIBSAvQ4asWSn6j .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-TEIBSAvQ4asWSn6j .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-TEIBSAvQ4asWSn6j .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-TEIBSAvQ4asWSn6j .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-TEIBSAvQ4asWSn6j .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-TEIBSAvQ4asWSn6j .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-TEIBSAvQ4asWSn6j .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-TEIBSAvQ4asWSn6j .cluster text{fill:#333;}#mermaid-svg-TEIBSAvQ4asWSn6j .cluster span{color:#333;}#mermaid-svg-TEIBSAvQ4asWSn6j div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-TEIBSAvQ4asWSn6j .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-TEIBSAvQ4asWSn6j rect.text{fill:none;stroke-width:0;}#mermaid-svg-TEIBSAvQ4asWSn6j .icon-shape,#mermaid-svg-TEIBSAvQ4asWSn6j .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-TEIBSAvQ4asWSn6j .icon-shape p,#mermaid-svg-TEIBSAvQ4asWSn6j .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-TEIBSAvQ4asWSn6j .icon-shape .label rect,#mermaid-svg-TEIBSAvQ4asWSn6j .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-TEIBSAvQ4asWSn6j .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-TEIBSAvQ4asWSn6j .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-TEIBSAvQ4asWSn6j :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 路线二：把 KV 搬远（远端共享层实测）
LMCache + Valkey，多引擎集中复用
同步加载：GPU 等 KV 回传
16k p99 3.96s 至 17.3s，hit 密集流 p99 83.32s
带宽门槛约 2.53 GB/s：约 1.7 万 token 以下重算更划算
路线一：把 KV 压小（V4.1-Flash 技术报告）
CED：上半层 KV 由中间层投影，prefill 计算近砍半
CSA2：跨层复用 KV 与索引
FP4 量化主 KV + 滑窗 KV 不持久化
全局 KV 890 B/token（上代 1/4），持久 KV 上代 1/8
五、计费对象换了：从 token 到「次」
模型价目表的结构没变，还是按 token：deepseek-flash 每百万输入，缓存命中 0.003 美元（错峰）、未命中 0.15 美元（错峰），输出 0.6 美元（错峰）；高峰时段翻倍，且高峰只有工作日北京时间 09:00--12:00 和 14:00--18:00 两个窗口，周末和节假日全天错峰。上下文窗口 100 万 token，最大输出 38.4 万，并发上限 2500。
新东西在检索接口。Search 和 Fetch 从工具调用里独立出来单独立价：每 1000 次成功请求各 0.75 美元，摊到单次约人民币半分钱。两个细节：计费单位是「成功请求」，失败不计费；生效节奏是先免费过渡，11 月 1 日 0 点（北京时间）起，凡是走 Harness、Claude Code、Codex 内服务端调用的，都开始按次扣费。
这件事的分量不在钱数，在计费对象。过去模型公司卖 token，检索要么白送、要么藏进 token 价格里；现在检索被拆成独立的 SKU，按调用次数计价------agent 栈的每一层第一次都有了明码标价。对一个动辄跑成百上千步的 agent 来说，成本模型里从此多一项「步数 × 检索单价」，和 token 账并列着算。粗算一下量级：一个日均一万次检索的任务，按 0.75 美元/1000 次就是每月约 225 美元------已经和不少场景的 token 账一个数量级了。
官方说 1017 「跑得更快、输出更短、每任务更便宜」，任务级成本我自己还没验证------本机壳子还停在 0.2 桌面版，等升上去跑一轮同任务对比，再把这笔账补全。
六、落到用 agent 的人身上，是三件事
第一，11 月 1 日前查一遍自己的链路。 只要 agent 走 DeepSeek API 且开了服务端搜索------不管套的壳是 Harness、Claude Code 还是 Codex------下个月起检索调用开始按次计费，账单结构会多一项。高频任务先估步数，别等账单到了再看。
第二，权重已经可以自己拉。 MIT 协议，HF 直接下载。想自己部署的，技术报告第三章把部署侧的优化（持久 KV 管理、EPD 分离、投机解码）写得很细，890 字节/token 的 KV 足迹意味着长上下文服务的内存门槛换了一档。
第三，盯住 KV 和计费这两条线。 同一天里，一篇论文证明 KV 搬远有带宽门槛，一家厂商把 KV 压到 890 字节还开始对检索按次收费------长上下文 agent 的成本构成正在被重新划分：模型架构吃掉一块（KV 压缩），服务接口吃掉一块（按次计费）。