Day0适配上线，奥尼把 DeepSeek-V4.1-Flash 装进单台 8 卡服务器

近日，DeepSeek-V4.1-Flash 正式发布并开源。奥尼同步启动模型适配与推理优化，在模型发布当天完成生产上线，实现Day0适配。

官方给出的最低显存门槛是 614GB，对标 GB200 级数据中心环境。

奥尼用单台 8 卡服务器、672GB 总显存、无 NVLink 互联，承载了 552B 模型与 1M Token 上下文。

GPU 数量减半，聚合吞吐反而更高，单卡效率提升约 3–4 倍。对正在规划算力预算的团队来说，百万级上下文推理的门槛从买一个集群降到了买一台服务器。

V4.1-Flash的官方镜像验证环境为GB200（SM100），迁移到其他硬件架构后有五处兼容缺口，无法直接使用。

奥尼逐层排查并完成关键补丁，固化为可复现构建，覆盖稀疏 MLA Kernel、DeepGEMM 对齐、双后端 Kernel Block、MXFP4 Indexer 精度与 Responses API Tool Search，从权重下载、镜像固化到服务点亮全部在发布当天完成。

新模型迭代越来越快，拉开差距的不只是算力资源，更是模型、推理框架与底层环境之间的协同适配能力。这一层做不通，再多的卡也只是闲置资产。

跑通只是第一步，奥尼从解码效率、显存管理、运行开销三个方向做了专项调优：

解码效率：让每个 Token 生成得更快。用三段 Draft Head 做 5-Token Block 投机解码，实测接受率 3.71 Token/Forward，高于官方 GB200 参考值（约 2.99），Decode 阶段保持毫秒级 TPOT。

显存管理：为百万上下文腾出空间。把约 189GiB 的 Engram 记忆表自动 Offload 到主机内存，腾出 13.8M Token 的 KV 池，为 1M 上下文与并发请求留出余量。

运行开销：让长请求不再抖动。采用 CUDA Graph 全捕获并结合 TileLang JIT 缓存持久化，长请求不再反复重编译，响应稳定性明显改善。

128K 长上下文、Warm 稳态下，与上一代 16 卡 PD 方案同口径对比：

响应也更稳，128K / 32 并发下 TPOT 10.2ms（上一代 14.3ms），TTFT 平均下降 59%、p99 下降 73%；并发从 8 到 32，TPOT 只劣化 2.0 倍，上一代是 2.7 倍。

生产验收全量 20/20 通过，原生多模态能力已随本次适配一并验证通过，服务支持 OpenAI / Anthropic 双协议与 Responses API。

GPU 数量减半，聚合吞吐却提升 61%–108%。

以上数据均在 128K 长上下文口径下取得；本次为单节点 8 卡部署，未做 PD 分离与多节点扩展，13.8M Token 的 KV 池为按 890 B/Token 估算的理论容量。