DeepSeek V4 Flash 的本地部署与量化策略

本期视频主要评测 DeepSeek V4 Flash，指出其在基准测试中表现优于 GLM 5.2。尽管 GLM 5.2 需要占用约 1.5 TB 的存储空间，而 DeepSeek V4 Flash 仅需 150 GB（或称 1.5 TB，口误），但基准数据显示其性能更优。作者已对模型进行量化处理并微调，最终发布了一个转换版本。该版本占用约 148 GB 内存。作者解释称，由于模型本身体积巨大，除非进行激进量化否则节省空间有限，因此直接使用了转换版进行测试。此外，作者还将同步测试其官方网站的表现，以验证本地推理代码是否充分发挥了模型潜力。

"So, apparently it's beating that model. Now, it isn't better than GLM 5.2, but the benchmarks say they are better than GLM 5.2."

Red Dead Redemption 生成测试与“Deep Seek”名称由来

首个测试项目是制作 Red Dead Redemption 的 HTML AAA 游戏版本。在开启“最大思考”模式下，模型生成了 16,400 tokens。作者提到该模型新增了低思考、高思考和最大思考三种模式，其中“最大思考”会在系统提示词中注入极端严谨的指令。本地运行速度约为 31.6 tokens/秒，生成结果包含马匹、敌人和射击机制，但伤害判定失效，仅为基础原型。相比之下，官方网站生成的版本质量更高，拥有更好的 TTS 语音和动画细节，但出现了一个滑稽的故障：角色突然变成了波斯传说人物 Rostam and Rudabeh，并做出怪异动作。作者调侃这可能是 DeepSeek 名称由来的某种隐喻。

"What are you doing Deep Sleep? This is Was that only if that did that funny thing as well?"

Final Fantasy VII 生成对比与温度参数影响

第二个测试是制作 Final Fantasy VII。本地版本生成了 28,000 tokens，速度较快（约 28 tokens/秒），尽管后台正在运行 Kimiko 3。本地生成的游戏包含开场动画、Midgar 场景和战斗系统，击败敌人后可见同伴角色，虽无复杂任务但具备游戏引擎框架潜力。官方网站版本则生成了 2D 风格的游戏，尽管提示词要求 AAA 画质。其 TTS 效果更佳但语音同步存在故障。作者指出，DeepSeek 推荐温度为 1，但在某些情况下使用较低温度（如 0.1）反而能得到更准确的结果，而贪心解码（温度为 0）可能导致错误答案。

DeepSeek V4.1本地复现GTA5：碰撞机制与地图边界

在本地运行DeepSeek V4.1时，作者首先尝试复现《GTA 5》。尽管初期使用Q9量化版本效果有限，但随后切换至BF16精度模型以保留在线服务的完整能力。生成的迷你开放世界虽然光照效果略逊于Opus或GPT 5.6 Sol版本，且缺乏AI车辆交互，但核心游戏逻辑已具备雏形。最关键的突破在于物理碰撞机制的生效：角色不仅能驾驶车辆，还能与城市建筑发生真实碰撞。此外，地图边缘设置了不可逾越的边界，角色无法跌落出世界之外。这种基础但稳定的物理交互证明了模型在构建复杂游戏环境方面的潜力，尽管目前仍需解决下车后的角色控制问题。

"You got collisions. Look at that. And the driving mechanics is pretty fun."

代码修改能力与上下文注意力机制的权衡

在测试代码生成时，作者要求模型为原有太空模拟程序添加可控飞船。默认配置下，模型生成了7,000个令牌的代码变更，虽然成功实现了飞船的第三人称控制及与地球的碰撞环绕效果，但意外破坏了原有的“发射小行星”功能。为了解决这一长上下文丢失问题，作者启用了Context Attention（上下文注意力）功能。该机制通过增加每个令牌生成时的注意力范围，使输出扩展至18,000个令牌。这一调整不仅保留了地球模型，还确保了小行星爆炸功能的完整性。这表明DeepSeek在优化注意力聚焦方面非常聪明，但用户需根据任务复杂度手动启用该功能以平衡性能与完整性。

"If you enable that with full attention, it now generates 18,000 tokens. And the good thing about that is you do retain the earth."

高温度采样风险与扩展思考检测机制

在测试Outrun赛车游戏生成时，作者探讨了温度参数（Temperature）对代码稳定性的影响。尽管DeepSeek官方推荐温度为1，但作者发现高温度会导致随机令牌选择偏差（如将逗号替换为换行符），进而引发循环响应。为解决此问题，作者展示了“扩展思考检测”功能。该机制智能映射模型的思维路径，仅在模型准备好退出时才终止思考循环，避免强制中断导致生成内容混乱。最终，该机制允许模型进行长达21,000个令牌的深度思考后成功生成游戏。此外，作者还测试了太阳系模拟和飞行模拟器，指出虽然视觉效果精美且达到“世界级”水平，但在光照渲染等细节上仍略逊于GLM和Kimi K3模型。

DeepSeek V4.1 在创意生成与基础应用中的表现

DeepSeek V4.1 在游戏开发领域展现出显著潜力，尽管驾驶逻辑略显保守且存在轻微改进空间，但模型成功生成了包含道路车辆与动态效果的完整可玩游戏。在 2D Canvas 动画测试中，Q9 版本生成了有趣的山脉场景，验证了其基础图形生成能力。在商业应用层面，模型以 13,000 tokens 的最大思考深度耗时 415 秒（近 10 分钟）生成了一个功能完整的 NS Word 克隆版。虽然界面基础且无法切换标签页，但所有核心功能均正常运行，避免了常见生成错误。值得注意的是，该模型在未启用 MTP 的情况下仍能达到 32 tokens/秒 的调试模式速度，正式版本预计更快。

"We managed to avoid the thinking loop and we managed to actually make a generation. That's pretty good." "It took 415 seconds to start... It is looking good and it's so fast this model even without MTP enabled."

DeepSeek V4.1 的授权优势与部署便捷性

在视频的最后部分，主讲人总结了 DeepSeek V4.1 的核心竞争优势。他指出该模型采用了 MIT 许可证，这意味着用户在商业使用和二次开发上拥有极高的自由度。此外，模型提供了 预量化版本（pre-quantized），极大地降低了本地部署的技术门槛。正如主讲人所述：“Overall, again, MIT license, pre-quantized, so not much for you to do.” 这种设计使得用户无需进行复杂的配置或优化，即可快速上手使用。主讲人鼓励观众在体验后分享看法，并感谢大家观看本期节目。

结尾互动与幽默插曲

在正式内容结束后，视频进入了一段轻松的收尾环节。主讲人试图结束录制并离开镜头，但现场出现了一个令人捧腹的意外插曲。一位参与者似乎将某个物品（可能是麦克风或设备）掉落在地，引发了关于“Deep”一词的双关语玩笑。现场人员调侃道：“He's deep. Like he's deep in the ground.” 并反复强调“Put it back in, bro”，伴随着笑声和混乱的对话。这段插曲虽然与 AI 技术无关，但为视频增添了一丝幽默感，缓解了之前密集信息带来的紧张气氛。

结论

DeepSeek V4.1 Flash在本地部署中展现出显著优势，其MIT许可证与预量化特性极大降低了门槛。测试表明，该模型在生成复杂游戏逻辑（如GTA5碰撞机制）及代码修改时表现稳定，且通过启用上下文注意力可解决长文本丢失问题。然而其短板明显：高温度采样易引发循环错误，视觉渲染细节及光照效果仍逊于GLM 5.2与Kimi K3，且部分生成内容存在逻辑偏差。总体而言，该模型适合追求低成本、高自由度本地部署的用户，但在极致画质与复杂物理交互的稳定性上尚未完全超越竞品。