我们先看最近半年内的新闻。
2026 年 4 月 24 日，DeepSeek 发布 V4 系列，其中就有主打快捷和经济的 DeepSeek-V4-Flash。8 月 26 日，阿里的 Qwen3.8-Flash 和智谱的 GLM-5.3-Flash 又在同一天出现。仅仅两周后，DeepSeek 接着发布了 V4.1 Flash，并让它直接接替上一代 V4 Flash。
不到五个月，国内几家大模型厂商先后把 Flash 推到了产品线里。
过去大家更喜欢讲参数、榜单和旗舰模型，现在的叙事好像变了：速度、吞吐，以及每次任务到底要花多少钱，也成了重点。
为什么大家突然开始卷 Flash？
OK，我先问各位两个问题：
- 如果只是让 AI 帮你改一句话，你会选最强的模型吗？
- 假设模型可以无限使用，而且不花钱，你也会一直选择旗舰模型梭哈吗？
我相信，不少人都有这个想法：选模型嘛，既然都打开了，当然选最好的。就像买手机，只要预算够，直接上旗舰，不纠结。
但如果你真长时间用 Agent 工具，就会发现，自己每天交给它的事情，好像也没那么难。翻译一段文字、解释一个报错、给函数起个名字、迁移一些代码，偶尔再让它把周报写得像个人写的。
为了这些事情，每次都请出最强的模型，有没有必要？
这事儿嘛，我们先从旗舰的本事说起。
旗舰模型强在哪里
“旗舰模型”不是一个统一的行业分级。这里把厂商侧重综合能力和复杂推理的一档模型统称为旗舰，例如 Gemini 的 Pro 系列、Claude 的 Opus 系列、国产 Kimi 的 K3。
Kimi 的 K3 目前我愿意称之为国产最强！
打开官方介绍，这类模型经常和复杂代码、长文档分析、多步推理放在一起。例如 Anthropic 对 Opus 的介绍，就把复杂的软件开发和 Agent 任务作为主要用途。Agent 可以先理解成会调用工具、分几步把事情做完的 AI。
这些描述还是有点抽象。
我们可以把旗舰模型想象成一位知识面很广、也擅长研究难题的科学家。数学懂，代码能看，给他一份实验报告，他还能把里面的问题挑出来。当然，这位科学家也有知识盲区，也会算错，并不是“什么都懂”，不过旗舰模型正在尽量减少这种情况。
你问他一个公式是什么意思，他能解释；你给他一堆相互矛盾的实验数据，让他分析问题可能出在哪里，才更容易看出他的本事。
换成代码也是一样。补一个空值判断，和排查一个同时涉及缓存、并发、页面生命周期的 Bug，需要的能力显然不同。后者得把几处代码联系起来，排除看起来像原因、实际上没关系的地方，还得保证改完之后别把其他功能弄坏。
上下文：科学家的书桌有多大
你找科学家帮忙，总得把资料交给他。问题描述、之前的聊天、代码、日志，都属于模型这次工作时可以参考的上下文。
上下文窗口，就是它一次能容纳多少这类内容。计量单位叫 Token，可以粗略理解成模型处理文字时使用的小片段，它和汉字、单词并不是一一对应的。
拿书桌打个比方：桌子够大，你就能同时摊开需求文档、代码和报错日志，不用看完一份，再把它收起来换下一份。
但桌子大，不代表人就聪明。资料都摆上去了，他能不能发现第十页和第一百页说的是同一件事，才是另一项本领。
所以，长上下文能给复杂任务提供更多材料。
但不能单凭窗口大小判断模型强弱。现在不少同一家族的 Flash 和旗舰模型，上下文窗口上限已经基本持平。早在 Gemini 1.5 时，Pro 和 Flash 就都提供了百万 Token 的上下文；后来 DeepSeek V4 Pro 和 Flash 也都是 100 万 Token；现在 Qwen3.8-Max 和 Qwen3.8-Flash 同样都是 100 万 Token。
换句话说，能放进多少资料，已经不再是区分 Flash 和旗舰的关键。真正拉开差距的，更多是模型能不能理解这些资料、完成多步推理，以及调用时的速度和成本。
推理：给他一些打草稿的时间
补充一个小知识：这里说的“推理”，英文就是 reasoning。
资料有了，有些问题仍然没法张口就答。
科学家可能得列几个假设，推一遍，发现走不通，再换个方法。模型的“思考”可以借这个过程来理解：在给出最终答案前，多做一些中间计算，尝试把问题拆开、推导和检查。
Google 在介绍 Gemini 2.5 时，就将这类推理能力用于数学、科学和编码等复杂任务。
这里的“思考”是方便理解的说法，不等于模型有人的意识。思考得久，也不保证答案正确。
你可以把它当成考试时多给一些草稿纸和时间。有能力的学生可能因此做出压轴题，也有人写满了草稿纸，最后还是算错。推理预算和模型本身的能力，都有影响。
注意，Flash 也会推理。“旗舰会思考，Flash 只会抢答”这个理解其实是不对的。
MoE：科学家背后，有一个研究所
聊大模型，常常还会碰到 MoE，全称是 Mixture of Experts，混合专家。
如果沿用刚才的比喻，可以把一个模型想成研究所：里面有很多组研究人员（专家），处理到某一部分内容时，安排其中几组参与，不必每一步都把全体人员叫来开会。
对应到模型内部，就是在一些计算层里设置多组参数，再由一个叫“路由器”的组件，为当前 Token 选择其中一部分参与计算。Mixtral 的公开介绍展示了这种做法。
这样就有机会扩大模型的总容量，同时控制每一步的计算量。
不过，“专家”只是这些计算模块的名字。它们并不一定明确分成数学老师、语文老师，也不是几个完整的聊天机器人坐在一起商量答案。
MoE 是一种架构选择，也不能用来识别旗舰。Flash 模型同样可以采用它。最终能力还要看训练数据、训练方法等因素，光知道“有多少参数”“有几个专家”，还不能判断它能不能修好你的 Bug。
好，前面讲了旗舰模型为什么强，但能力越强，并不代表所有任务都需要调用最高档的模型。
为什么需要 Flash
现在，我们有了一位能力很强的科学家——旗舰模型。给他资料，再给他一些时间，确实能帮我们处理不少难题。
然后，你请他去开初中补课班。每天的工作是讲一元一次方程，改作业，再回答一下“老师，这一步为什么要移项”。
教初中课程，当然难不倒他。可每节课都按科学家的出场费来算，这个补课班得收多少钱？
使用旗舰模型也是类似的情况。
部署和运行模型，需要显存、算力，还要付电费。对于更消耗资源的模型，每次回答都得承担相应的运行成本；如果又读了很长的材料、做了很多轮推理，消耗还会继续增加。
API 的售价还受商业定价影响，并不直接等于运行成本。但对使用者来说，账单和等待时间都是实实在在的。
如果只是给一个学生补课，你愿意花钱，那没问题。可当补课班来了几千个学生，每个人都要求一对一答疑，再好的科学家也得配上足够的人手和预算。
模型当然可以部署很多份，但增加服务能力需要硬件。在算力和预算有限时，单次请求越占资源，能同时服务多少人就越容易受限制，忙起来也可能排队。
注意，这里的比喻我们要强调：科学家解初中题未必慢，旗舰回答简单问题也未必比 Flash 慢。我们讨论的核心是，把大量日常请求长期交给它，划不划算。
这时候，请一批已经能把初中课程教好的老师，就合理多了。未必要能做前沿研究，只要题讲得对、反馈及时，学生就能受益。
这正是 Flash 这类产品档位要解决的问题：在尽量保证回答质量的同时，降低调用成本和等待时间。
注意：
Flash 并不是一个统一的行业分级。Google 用它表示 Gemini 中侧重速度和效率的档位，国内几家厂商也开始采用这个名字；另一些厂商使用不同的叫法，例如 Anthropic 把侧重速度与成本的档位叫作 Claude Haiku。这里把它们放在一起讨论，具体能力仍然要看型号。
这些模型的架构、训练方法和能力并不相同，但产品方向很一致：让较低成本、较高吞吐的模型承担更多任务，而不是只把它当成旗舰模型的廉价替代品。GLM-5.3-Flash 的官方说明强调了用更少计算完成任务，DeepSeek V4.1 Flash 也把降低 KV Cache 和 Agent 调用成本作为重点。快模型正在从“只能做简单题”，变成厂商必须认真竞争的一档产品。
各位想想，AI 一旦进入搜索、编辑器、客服和 Agent，一次用户操作背后可能连续调用很多次模型。单次调用省下来的成本和时间，会被调用量成倍放大。只要 AI 继续走向高频使用，这种竞争就很难停下来，后面大概率还会有更多厂商加入。
当然，补课老师也会进步。
模型持续迭代之后，较快的档位能处理的任务也会变化，不能一直拿“便宜，所以只能做简单题”看它们。
Flash，正在变得又快又好！
平时的任务怎么安排
如果每次提问之前，还得先分析一遍该用什么模型，那也挺累的。
这里我举两个日常使用的方法。
日常任务先用 Flash
也就是：日常任务先用 Flash，做不对、改不动了，再换旗舰。
比如，把一段英文文档翻译成中文，整理会议记录，或者把一个啰嗦的段落改短。这些事情可以先交给 Flash。你能对照原文检查，也方便补充要求，不必一上来就追求最高档。
写代码也一样。根据已经确定的接口补一个数据类、写一段格式转换、解释一条报错，先让它做，再编译、运行，看看结果。如果任务范围很清楚，验收也方便，就没必要因为它名字里有 Flash 而嫌弃它。
不过，如果一个 Bug 改了几轮，每次都只修好表面现象，另一处又坏了，就别继续陪它绕圈了。把复现步骤、相关代码、已经试过的方法整理好，换一个能力更强的模型，重新分析。
还有些任务，一开始就值得用旗舰。比如要调整一个老项目的架构，既要兼容旧接口，又不能影响已有数据，还得安排分阶段迁移。这类工作最麻烦的是约束互相牵连，少考虑一条，后面就可能返工。
但！换了旗舰，也得检查结果。尤其是你自己不熟悉的领域，回答写得流畅，并不能说明它是对的。
如果你用的是包月产品，旗舰额度也足够，速度还能接受，那一直用旗舰也没什么问题，关键要看自己的时间成本。省钱的前提，是别把自己的时间搭进去。
一个便宜模型来回改五次，还不如另一个一次做对。反过来，如果 Flash 能先快速完成大部分工作，再由旗舰模型检查和修正，整体也可能更省时。具体怎么选，还是得看结果质量、验证难度和返工成本。
嘿嘿，算账嘛，就是这么算的。
让旗舰规划，让 Flash 执行
还有一种很适合工程任务的用法：让旗舰模型负责规划，让 Flash 负责执行。
先把完整需求交给旗舰模型，让它梳理目标、约束、依赖和风险，再拆成一组可以独立完成、独立验收的任务单元。工程团队常把这个过程叫作“拆票”，一张票就是一个 issue 或 ticket。拆得好的票应该写清楚范围、接口和验收条件，而不只是把大任务随意切成几段。
规划完成后，再把这些边界清楚的小任务逐个交给 Flash。旗舰模型通常更适合从全局检查任务之间的关系，Flash 则可以在明确的范围内快速执行，结果也更容易测试和复核。这是我在多次工程实践中总结出的一种适用面很广的方法：把更贵的能力用在规划和关键决策上，把数量更多、边界明确的执行工作交给 Flash，通常能同时兼顾质量、速度和成本。当然，旗舰给出的拆解也需要人工检查，前面的计划错了，后面完成再多票也可能走偏。
蒸馏：让科学家带一批老师出来
那这些又快又便宜的模型，是怎么来的？
其中一种方法，叫知识蒸馏，英文是 Knowledge Distillation。
“蒸馏”这个名字借用了化学里的说法：把混合物加热、冷凝，从中提取想要的成分。放到机器学习里，它大概是指把大模型掌握的知识和行为提炼出来，教给一个更小、更省资源的模型。这里提炼的不是教师模型的参数本身，而是它对训练数据给出的答案、概率分布等学习信号。
继续拿补课班举例。科学家不用每天亲自给所有学生上课，可以先整理一批题目，写出解答，再拿这些材料训练其他老师。老师学会之后，就能独立去上课。
生活中也有类似的做法。厂里有经验的老师傅会先带一批徒弟，不可能所有问题都由老师傅事无巨细地处理。
在模型训练里，提供学习信号的模型叫教师模型，接受训练的叫学生模型。教师给出的信息，可以用来帮助学生学习它的部分行为和能力。
经典的蒸馏方法，会让学生学习教师对不同类别给出的概率分布，这类信息也叫软目标。比如一道选择题，除了知道正确答案是 A，还可以知道老师认为 B 也有些像，而 C、D 差得比较远。这比只给一个正确选项，多了一些学习信息。这里的概率表示模型的预测倾向，不是答案正确率的保证。知识蒸馏论文介绍了这类方法。
在大语言模型里，也可以让教师生成回答、解题过程等训练样本，筛选后再拿去训练学生。比如 DeepSeek-R1 的蒸馏模型，就是使用 R1 生成的推理数据，对 Qwen2.5 和 Llama 3 系列的已有模型进行微调。
这一步发生在训练阶段。训练完成后，学生可以独立回答问题，不需要每接到一个问题，就偷偷跑去问一次老师。
我相信大多数读者在高中应该听过一个选择题顺口溜：“三长一短选一短，三短一长选一长。”有人把大量做题经验提炼成一句口诀，学生不必重走完整的分析过程，也能借助这个简单规律快速判断。从“把复杂经验浓缩成简单信号”这个角度看，它有一点像蒸馏。
注意，这里只是一个帮助理解的比喻。真正的知识蒸馏需要让学生模型从教师提供的输出、概率分布或训练数据中学习，并不是记住一条口诀。
当然，学过科学家的讲义，不等于自己就成了科学家。学生可能把常见题型学得很好，碰到材料之外的新问题，仍然处理不好。教师答案里的错误，也可能被学进去，所以训练材料的筛选和后续评估都不能省。
Google 也公开提到过，Gemini 1.5 Flash 从 1.5 Pro 蒸馏而来。这是一个具体例子，但不能据此推断所有 Flash 都是把旗舰“压缩”一下得到的。
Flash 说的是产品档位，蒸馏说的是训练方法，两者没有一一对应的关系。模型还可以通过更高效的架构、训练改进和推理系统优化来提高效率，多种方法也可以一起用。名字里带不带 Flash，看不出它到底用了哪一种。
这样看，旗舰和 Flash 的关系就没那么纠结了。你可以请科学家解决难题，也可以让他帮助培养更多老师。到了每天讲课、批改作业的时候，让合适的老师去做就行。
言而总之
旗舰模型当然好用，问题只是：我们真的需要每次都用最贵、最强的那一个吗？
厂商推出 Flash，首先要算一笔成本账。模型不仅要答得出来，还要在效果、速度、价格、吞吐量和资源消耗之间找到平衡。现在的 Flash 也不再只是追求“快”，它们正在补上长上下文、推理和工具调用等能力，目标是在更低成本下覆盖更多真实任务。不同厂商的实现方式并不相同，Flash 更像一种产品定位，而不是统一的技术标准。
这也改变了我们的选择顺序。面对翻译、摘要、资料整理、常规代码修改等结果容易检查的日常任务，可以优先使用 Flash；如果它做不好，或者任务复杂、出错代价高，再换旗舰模型。这里的“优先”不是认定 Flash 永远更好，而是先用足够好、响应更快、成本更低的模型解决问题。
短期内，可以预期这类模型还会越来越多。AI 正在进入搜索、办公软件、编程工具、客服和 Agent，一次任务可能触发多次甚至几十次模型调用。调用越频繁，速度和单次成本就越重要，厂商也就越有动力继续推出兼顾能力与效率的型号。它们未必都叫 Flash，也可能叫 Mini、Lite、Air 或其他名字，但背后的产品方向会继续存在。
所以，大家卷 Flash，并不是因为旗舰模型不好用了，而是因为模型能力达到可用水平之后，快、省钱、能够大规模使用，同样是硬道理。对大多数日常任务来说，Flash 已经值得成为默认选项；真正碰到压轴题，再把旗舰模型请出来。
