锐Owl 雷达 · 2026-09-10：DeepSeek-V4.1-Flash 发布（KV 缓存压到 890 字节/token）、同模型换脚手架差 8.7 分、蚂蚁 1.3B 单卡实时世界模型

今天是一次「效率工程」的集中爆发：DeepSeek 把 KV 缓存压到 890 字节/token 并计划下线 V4 Pro；同一天两个世界模型把门槛分别推到单卡实时（1.3B）和 10 分钟公里级；评测这边，同一模型换脚手架差出 8.7 分，18 个榜单只标模型名被论文点名为「测量误差」。本期 5 条。

① DeepSeek-V4.1-Flash 正式发布：552B 骨干、1M 上下文，KV 缓存压到 890 字节/token，官方称全面超越 V4 Pro（9/10）

9 月 10 日 DeepSeek 正式发布 V4.1-Flash，权重与技术报告同日公开（HF 仓库 MIT 许可，含 DeepSeek_V41_Tech_Report.pdf 与最小推理实现）。模型为 552B 骨干 MoE，原生多模态、支持 1M 上下文；采用 Causal Encoder-Decoder（CED）架构，预填充每 token 只激活 8B、解码激活 16B（与常规「解码更省」的取向相反，专治 agent 场景的输入密集）。压缩手段三件套：CSA2 跨层复用全局 KV 与 Top-K 索引 + FP4 KV 缓存，把全局 KV 降到 890 字节/token（约为 V4-Flash 的 1/4、V1 的 1/437）；SWA Bounded Replay 让持久 KV 再降到约 1/8。效果：上下文从 4K 扩到 1M（256 倍），单 token 解码 FLOPs 只涨 1/4。预训练 45T 多模态 token，稀疏注意力从 64K 起直接开训、无 dense 预热。评测：GPQA-D 90.9、Codeforces 3471（超 V4-Pro 的 3348）、Terminal-Bench 2.1 90.6、DeepSWE v1.1 74.2、Automation-Bench 54.8、CyberGym 88.1——多项高于报告中的 Opus-5 与 GPT-5.6 Sol。定价同步调低：空闲时段输入缓存命中 0.02 元/百万 token、未命中 1 元、输出 4 元（高峰为 2 倍）。官方称其在性能、费用、速度、总用时上已全面超越 V4 Pro，计划有序下线 V4 Pro——9 月 14 日 12:00 之后、V4.1 Pro 上线之前，访问 deepseek-v4-pro 的请求将全部路由到 V4.1 Flash 并按 Flash 价格计费。

认知价值：最值得注意的不是分数，而是后训练「零算法创新」的自我声明——SFT+RL+同策略蒸馏不变，实质改动全落在数据管线与推理系统上。当架构与数据的边际收益趋同，主战场就变成了「同样的能力要花多少 KV 缓存、多少 HBM/SSD、多少美元」。890 字节/token 这类指标，比任何 benchmark 分都更直接决定一个 agent 产品能否活得下去。

来源：HuggingFace https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash ；DeepSeek 官方定价页 https://api-docs.deepseek.com/zh-cn/quick_start/pricing

② 同一模型换 Agent 脚手架，DeepSWE 从 65.5 分到 74.2 分；arXiv 论文点名 18 个榜单「只按模型名打分」是测量误差（9/9–9/10）

两件事指向同一个问题。其一，DeepSeek V4.1-Flash 技术报告表 4 用同一个模型跑了 6 套 Agent 脚手架（Claude Code、Codex、OpenCode、Pi、mini-SWE，以及自研 DeepSeek Harness 的 Minimal/Standard/PTC 三档）：DeepSWE v1.1 落在 65.5–74.2 之间，Terminal-Bench 2.1 落在 84.1–90.6 之间；报告自己的结论是，任务接近饱和时**「脚手架选择至少和推理档位一样重要」**。其二，arXiv 9 月 9 日论文 IBIB 指出：「企业部署的是系统，不是 checkpoint」——可用能力同时取决于权重、服务路由、精度、输出契约与 harness，但被审计的 18 个主流榜单全部只给宣传的模型标识符打分，作者直接把这种口径称为测量误差，并给出 IB2 协议（先做能力绑定预检、再采用含失败的计分规则、裁决结构化忽略分数）。

认知价值：「哪个模型更强」正在从单点分数变成条件句。同一份权重、同一套题，换个脚手架相差 8.7 分，量级接近一次模型换代——任何不带脚手架/路由/精度/推理档位的横评，都不可复现、也不可迁移。我们之后的评测会按「模型 + 脚手架 + 精度」三元组标口径，否则数据再漂亮也只是自家环境的巧合。

来源：DeepSeek-V4.1-Flash 技术报告（表 4，9/10）；arXiv:2609.10494《IBIB: A Protocol for Measuring Enterprise AI Systems by Serving Route, Not Model Identifier》（9/9）http://arxiv.org/abs/2609.10494

③ 蚂蚁灵波开源 LingBot-World 2.0 轻量版，1.3B 参数在消费级单卡上实时生成世界（9/10）

蚂蚁灵波 9 月 10 日发布世界模型 LingBot-World 2.0 的轻量版，参数 1.3B，面向消费级单卡 GPU、可在本地做实时世界生成（此前的 14B 主模型 7 月开源，做到小时级持续生成、720p/60fps 实时体验）。路线不是「把大模型砍小」，而是先把一条训练路线走通：先训 Causal World（只能依赖已发生的视觉信息与当前输入），用 MoBA（双向与自回归混合注意力掩码）压住长上下文的过拟合与画质退化；再把因果预训练骨干当 Teacher 给高质量结果，经一致性蒸馏压到少步，叠加 DMD 并让 Student 在自身长时 self-rollout 轨迹上继续训练，以抑制自回归累计漂移。官网、HF 合集、GitHub 与论文全部开放，连 Causal Pretrain 与双向 Teacher 一并放出。AMD 在 IFA 柏林开幕演讲上用它做过 Demo。

认知价值：世界模型上半场比「生成得久不久、真不真」，下半场比「普通人那张卡跑不跑得动」。真正的信息量在于开放的是研发链路而非成品——社区能接着做后训练、蒸馏、压缩与垂直适配。技术扩散的拐点很少出现在最强版本上，通常出现在第一个足够小、足够便宜、值得一试的版本上；1.3B 就是这个位置。

来源：量子位（9/10）https://www.qbitai.com/2026/09/486716.html ；官网 https://technology.robbyant.com/lingbot-world-v2

④ 高德发布 3D 原生城市世界模型 ABot-Earth 0.7：单张消费级 GPU 约 10 分钟生成公里级 3D 场景（9/10）

阿里旗下高德 9 月 10 日发布 ABot-Earth 0.7，走 3D 原生技术路径，端到端一次性生成 3DGS（三维高斯泼溅）格式的城市场景，覆盖 196 个国家和地区；输入一张卫星图或一段文字，约 10 分钟在一块消费级 GPU 上生成公里级 3D 城市场景，官方称效率比传统模式提升 1000 倍。与只做小场景或游戏画面的 3D 生成不同，它要在单一模型里完成从星球到城市、再到街景地标的全尺寸连续生成，视角从城市全貌推进到地标细节时空间结构与视觉信息保持一致。体验官网已上线，并已用于飞行街景 2.0（可进入复杂建筑与大型景区漫游）。高德同时宣布奔驰为其扫街榜首个汽车合作伙伴。

认知价值：过去二十年的数字地球是「拍下来再贴上去」，能看什么、从哪看都由采集路径决定；3D 原生表征把它变成可连续进入、可自由探索的生成式世界。量级落在**「单位成本的可探索空间」**上——若空间智能真成为手机、车机、机器人、眼镜的公共底座，竞争点不会是单场景效果，而是生成一公里城市要花多少钱、多少分钟。

来源：量子位（高德供稿，量子位获授权转载，9/10）https://www.qbitai.com/2026/09/486900.html ；「全球首个」等表述为官方口径。官网 https://abot-earth.amap.com/

⑤ HSImul3R 入选 ECCV 2026：人–场景重建的评测标准从「视觉正确」推进到「物理成立」（9/10）

大晓机器人联合南洋理工大学 S-Lab、上海人工智能实验室发布人–场景交互重建框架 HSImul3R（ECCV 2026 接收）。它把重力稳定性、真实接触与交互稳定性纳入核心评价标准：技术上用「物理闭环」双向优化——场景定向强化学习（Scene-targeted RL）优化人体运动，让它真的坐到那把椅子上而不是在空中复现相似动作；直接仿真奖励优化（DSRO）则用仿真反馈反向修改三维场景，修掉细桌腿、椅腿这类结构缺失。配套基准 HSIBench 上，HSImul3R 在 Easy/Medium/Hard 三档的交互稳定率为 53.68%/30.56%/13.92%（对比方法 HSfM 为 10.52%/4.50%/2.66%），人–场景穿模率从 69.51% 降到 22.90%。团队进一步把优化后的动作迁移到 Unitree G1，贯通「图像/视频 → 交互重建 → 物理仿真优化 → 机器人动作迁移 → 真机执行」。

认知价值：一句话——「看着对」和「进仿真还能站住」是两件事，后者才是机器人要面对的。把仿真器从最终裁判改成重建过程中的主动监督者，评测标准就跟着换代。也要看清刻度：Hard 档 13.92% 仍是低分，说明路线才刚开头；但人类视频正被加工成可仿真、可执行、可复用的机器人技能资产，具身数据的成本结构可能因此改变。

来源：量子位（9/10）https://www.qbitai.com/2026/09/486747.html ；论文 arXiv:2603.15612，代码 https://github.com/yukangcao/HSImul3R

素材覆盖说明（非正文）：量子位当日首页+4 篇原文精读、HuggingFace trending/仓库 API+DeepSeek 技术报告 PDF 全文、DeepSeek 官方定价页、arXiv API。机器之心当日为 JS 空壳（仅 ~3KB）且索引无当日条目，未取到可引正文，故本期全部证据来自量子位原文与一手源，未做二手搬运。