微软 Foundry 上线 DeepSeek-V4.1-Flash，Kimi K3 与 GLM-5.3-Flash 同帖新增 Global 部署

9 月 23 日，微软在宣布，DeepSeek-V4.1-Flash 已可在 Microsoft Foundry 部署：一条渠道是 Direct from Azure，处于公共预览（public preview）阶段；另一条是 Fireworks on Foundry，已经正式可用（GA）。经 Direct from Azure 的 Global Standard 部署，定价为每百万 token 输入 0.30 美元、输出 1.20 美元；Fireworks 渠道更高，输入 0.37 美元、输出 1.50 美元。发帖人是 Microsoft Foundry Blog 的 Rashaud Savage。

模型本身不是新面孔—— 9 月 10 日就已挂上 Hugging Face，微软这次把它的托管渠道搬进了 Foundry。同一篇帖子还宣布了另外两个开放权重模型的部署扩展：GLM-5.3-Flash 经 Fireworks 新增 Global 部署选项，Kimi K3 在此前 Data Zone 部署之外新增 Global 部署。博客里的代理基准数字（比如 DeepSWE v1.1 解决 74.2% 的任务）全部是 DeepSeek 自报口径，微软在帖中注明未经独立验证。

图为微软博客帖子头图，图中数字由 DeepSeek 提供。

两条渠道、两套价格

Direct from Azure 是微软自托管的官方模型服务，计入 Azure 订阅账单，适用 Azure 服务级别协议（SLA）；Fireworks on Foundry 则是把 Fireworks AI 的推理栈原生跑在 Azure 上，主打开放模型的推理优化、token 缓存、更广的预留吞吐（Provisioned Throughput）支持，以及自定义权重部署。DeepSeek-V4.1-Flash 在 Fireworks 渠道提供 PayGo Global 与 Provisioned Throughput 两种部署选项。

部署渠道	区域	输入 / 百万 token	输出 / 百万 token	缓存输入 / 百万 token
Direct from Azure（公共预览）	Global Standard	0.30 美元	1.20 美元	0.006 美元
Fireworks on Foundry（GA）	Standard Global	0.37 美元	1.50 美元	0.007 美元

同样在 Global 区域，Fireworks 路径的输入单价比 Direct from Azure 高约 23%，输出高 25%，换到的是 Fireworks 推理栈上的缓存、吞吐和自定义权重能力。微软没有说哪条更好，只说选择取决于工作负载，建议开发者用自己应用的流量和评测数据去比较质量、延迟、吞吐、部署形态、数据要求和成本。模型发现、评测与治理仍集中在 Foundry 一处，消费路径随团队选择；入口则是模型目录里的 DeepSeek-V4.1-Flash（Direct from Azure）与 FW-DeepSeek-V4.1-Flash（Fireworks）两个条目。

新架构把全局 KV 缓存压到每 token 890 字节

博客强调 V4.1-Flash「不只是 V4-Flash 的微调版本」。它换上了因果编码器-解码器（Causal Encoder-Decoder，CED）架构：20 层因果编码器先处理输入，20 层解码器再生成输出；主干网络（backbone）共 5520 亿参数，采用混合专家（MoE）设计，预填充（prefill）阶段每 token 激活 80 亿参数，解码阶段激活 160 亿。写明了更多机制：解码器的全局 KV 缓存不再取自解码器各层自身的隐状态，而是从编码器最终隐状态投影而来；压缩稀疏注意力（Compressed Sparse Attention 2，CSA2）把每层注意力分进 Full、Reindex、Reuse 三种静态模式，并配合 FP4 格式的主 KV 缓存；预训练用了 45 万亿 token 的多模态语料，MoE 每层由 1 个共享专家加 384 个路由专家组成，每 token 激活 6 个路由专家。

这些设计指向同一个结果：DeepSeek 报告 V4.1-Flash 的全局 KV 缓存只有每 token 890 字节，约为 V4-Flash 的四分之一、DeepSeek-V1 的 1/437。博客也解释了压这一项的理由：长上下文代理应用在推理中要一直保留代码、文档、图片、工具结果和对话历史，上下文一长，推理期间维护的 KV 缓存就可能成为成本、内存和部署规模上的主要约束。微软把 DeepSeek 这张各代对比图用作了帖子头图（见上图），同时留了余地：实际延迟、并发、基础设施需求和成本，取决于应用本身、服务配置、流量形态和部署路径。

代理基准是 DeepSeek 自报，微软注明未独立验证

博客说，在 DeepSeek 公布的结果里，V4.1-Flash 在所列各项代理基准上全面超过 V4-Flash：DeepSWE v1.1 解决 74.2% 的任务，V4-Flash 为 54.4%；Terminal-Bench 2.1、CyberGym、AutomationBench 和 Agent's Last Exam 也都有提升。的对比表（最大推理力度）把数字铺得更开：Terminal-Bench 2.1 得 90.6，CyberGym 得 88.1，AutomationBench 得 54.8，Agent's Last Exam 得 31.8。

DeepSeek 的表里也有它不占先的地方：Terminal-Bench 3.0 得 30.0，低于表中的 Opus-5.0（43.3）和 GPT-5.6 Sol（34.4）；ProgramBench 得 20.3，不到 Opus-5.0（37.0）的六成。微软在博客里把话说得很直接：「DeepSeek 报告的竞争对手或对比数字，未经微软独立验证」，并提醒结果会随提示、编排框架、上下文构造、部署和工作负载而变化，团队应拿自己的应用数据评估质量、延迟和成本。

图自 DeepSeek 的 Hugging Face 模型卡，数字为 DeepSeek 自报。

一个 1～100 的推理力度旋钮，替代 Flash 与 Pro 的双模型路由

V4-Flash 提供三种固定推理模式，V4.1-Flash 把它们换成一个 1～100 连续可调的推理力度（reasoning effort），每次请求单独设置：路由、分类、抽取这类任务用低力度跑，规划、编码、调试和多步工具调用再调高，中途不需要更换部署。博客的表述是：与其在「快模型」和「思考模型」之间二选一，不如跑一个部署、按请求拧力度——比起 V4 Flash 与 V4 Pro 的组合，编排简化了不少。

背景是 4 月 30 日那轮发布：微软当时把 V4 Flash（输入 0.19 美元、输出 0.51 美元）和 V4 Pro（输入 1.74 美元、输出 3.48 美元）同时带进 Foundry，建议高并发对话用 Flash、多步推理和复杂调试路由给 Pro。V4.1-Flash 0.30/1.20 的定价正好落在两者之间，一个模型加一个旋钮替代了原来的双模型搭配。微软点名的适用负载有四类：加载大型代码库、在终端里跑工具、多步迭代的仓库级编码代理；PDF、图表、截图、扫描表格这类文档密集的多模态分析，1M token 窗口让激进分块不再必要；会积累工具输出和对话历史的长时自动化或研究代理；以及靠更小 KV 缓存换取每 GPU 更多会话的高并发、成本敏感部署。

同帖扩容：GLM-5.3-Flash 与 Kimi K3 拿到 Global 选项

Kimi K3 是的开放权重模型，共 2.8 万亿参数，微软 7 月 28 日通过；这次的新增，是把可用范围从原有的 Data Zone 部署扩到 Global。GLM-5.3-Flash 则经 Fireworks 拿到 Global 部署选项。

三家的来路也说得清：DeepSeek 总部在；GLM 系列来自北京的智谱，国际品牌；Moonshot AI 同样在北京。三家中国 AI 公司的开放权重模型家族，出现在同一篇美国云厂商的公告里，同时拿到或扩展了全球部署选项。

价格没有跟着一起公布。这篇公告只给 DeepSeek-V4.1-Flash 列了价目表，GLM-5.3-Flash 与 Kimi K3 的 Global 选项定价没有出现在帖子里——微软只留下一句：各模型的可用性、部署选项和定价不同，部署前先查 Foundry 模型目录里的模型卡。