从 7.3 到 54.4：DeepSeek-V4.1-Flash 的后训练跃升说明了什么
36 氪 10 月 8 日的报道里藏着一个被融资新闻盖过的技术细节：7 月底上线的 V4-Flash-0731 参数一个没动，靠重新后训练，就在九项代码与智能体测试上全部超过了 V4-Pro 预览版。最刺眼的数字是 DeepSWE 从 7.3 一路跃到 54.4。 参数没动，为什么后训练就能让小模型反超旗舰？ 过去大家默认「能力不够就堆参数、堆预训练数据」。DeepSeek 这次展示了另一条路：基座冻结，只重写后训练的数据配比与奖励设计，就让一个较小的模型在软件工程任务上反超自家更大的预览旗舰。Artificial Analysis 估算，它完成一项基准任务平均只要约 0.03 美元。这个数字意味着代码智能体的单位经济性被再次重算。 这件事折射出训练范式的哪三个转向？ 第一，后训练数据工程的权重在上升。同样的基座，喂什么任务、怎么给可验证奖励，差出近 47 分，说明「数据配方」本身就是护城河。 第二，小模型打大模型会成为常态。当后训练足够强，552B 的 Flash 足以吃掉 552B Pro 的流量——事实上 DeepSeek 已经把 V4 Pro 的请求全部路由到 V4.1-Flash，并安排 V4 Pro 于 14 日下线。 第三，评测要跟得上。DeepSWE 这类贴近真实仓库修复的任务，比刷 MMLU 更能区分后训练质量。 7.3 到 54.4 的跃升需要先打哪些折扣？ 7.3 到 54.4 的跃升很惊艳，但它是在特定基准上的数字，不等于真实生产环境里修 bug 的成功率。拿自家仓库的修复任务做一次 A/B，比读任何榜单都靠谱。 普通团队能照着复制的后训练思路是什么？ 如果你在做垂直领域 Agent，不必等官方旗舰升级。冻结一个开源基座，围绕自己的真实任务构造可验证奖励：代码任务用单元测试当裁判，工具调用用执行结果当裁判，文档问答用参考答案匹配当裁判。DeepSeek 这次证明，数据配方对了，小模型也能翻大盘子。关键是别拿通用对话数据混进来——那会稀释垂直能力。建议保留一个小而精的通用集维持对话体感，其余预算全部压给垂直可验证任务。按这个思路迭代两到三轮，你大概率能在自己的场景里复现一次类似的跃升。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：DeepSeek后训练