DeepSeek Flash Vision EXP 发布背景与本地部署

DeepSeek 刚刚发布了集成多模态能力的 Flash Vision EXP，距离上次发布仅过去五分钟。尽管时间极短，该模型在基准测试中已展现出超越非视觉版本的潜力，甚至在 Deep SWE 任务上取得了额外加分。作者表示无法理解其快速迭代的原因，但决定立即进行本地测试以验证性能。为了方便观众复现实验，作者发布了 100% 重新打包的版本以解决运行兼容性问题。本环节旨在通过一系列视觉生成测试，展示该模型在本地环境下的实际表现与能力边界。

从简单描述到复杂代码生成的思维模式对比

测试首先要求模型描述一只尖叫的猫，在禁用思考（thinking disabled）模式下，模型提供了准确的描述。随后挑战升级为将游戏截图转化为可玩的 HTML 文件。在禁用思考模式下，模型仅生成 6,000 tokens且退化为 2D 版本，被作者戏称为“吝啬鬼”。当强制要求 3D生成时，禁用思考模式仍缺失走廊等关键元素。启用低档（low）思考后，生成量降至 3,500 tokens并增加了射击功能；切换至高档（high）思考时，生成量激增至 5,000 tokens，但成功还原了走廊、敌人及红色顶棚等细节。有趣的是，最高档（max）思考反而仅生成 3,600 tokens且效果更差，表明在创意生成任务中，最高思考模式未必优于高档。

视觉理解与 AAA 级图形生成的迭代优化

作者进一步要求生成具备 AAA 级别画质、光照及程序化资产的复杂场景。初始 Max 思考模式生成的画面被评价为“懒惰”，模型甚至建议用户使用 Unreal Engine 5。经作者质疑后，模型承认错误并优化了代码，虽出现运行时错误但修复后实现了 5,800 tokens的高效生成。最终画面包含了石质地板、拱门及红色顶棚，成功解析了参考图像中的视觉元素。此外，作者让模型复现 GLM 5.3 花费两小时生成的角色截图。在禁用思考模式下，模型通过 OCR识别了画面中的文本信息（如角色名 Adam、60 FPS 等），并将渲染纹理直接绘制在平面上，展现了极高的视觉理解与代码生成效率。

低思考模式下的视觉生成与纹理表现

在切换到低思考模式（Low Thinking Mode）后，模型生成的上下文窗口约为 5,000 至 5,600 tokens。作为对比，GLM 5.3 在低思考模式下需要 100,000 tokens，而 DeepSeek V4.1 以更小的 token 量实现了不错的效果。生成的角色拥有类似“土豆先生”的大鼻子和香肠般的嘴唇，虽然面部表情略显怪异，但屏幕上的文本清晰无噪点、无滤镜感。这一结果表明，即使在低算力消耗下，模型也能维持较高的视觉保真度。

"The text, no scan, no filter looks very, very beautiful and this was low thinking mode."

高思考模式下的循环问题与温度参数调整

进入高思考模式（High Thinking Mode）并设置温度为 0 时，模型出现了生成循环的问题。为了测试极限质量，作者手动编辑了代码以从循环点继续生成，最终得到了一个高保真度的角色模型。该角色眼睛会跟随光标移动，眨眼动作自然，但面部纹理依然夸张。值得注意的是，温度参数对稳定性影响显著。在最大思考模式下，温度为 0 时同样出现循环；当温度调整为 1 时虽然能完成生成，但引发了运行时错误。作者建议尝试 0.5 的温度或优化“思考检测”功能以平衡质量与稳定性。

"I just edited the loop and I went to the bit that it started looping... It just naturally ended the loop."

3D场景生成与面部细节的突破

在无思考模式（Thinking None）下，模型生成了一个基础太阳系，所有行星均被正确照亮，这在同类生成中属于较好表现。启用最大思考模式并扩展上下文后，仅用 1,100 tokens 就生成了更复杂的场景。在面部生成测试中，模型在无思考模式下成功渲染出完整的眼睛、眉毛和头发。作者指出，99% 的其他模型（如 GLM 5.2、Kimi K2.7）常生成“恶魔角”而非眉毛，而 DeepSeek 能准确描绘人类面部特征。尽管高思考模式下的角色因温度设为 1 而出现“鼻屎”等瑕疵，但整体面部结构依然优于前代模型。

"We got eyes. We got eyebrows... GLM 5.2, Kimmy K 2.7, they were making devil horns."

Red Dead Redemption风格游戏的交互测试

在模拟《荒野大镖客》（Red Dead Redemption）的生成中，模型构建了一个位于埃及沙漠中的小镇场景。尽管处于最大思考模式且需调整温度以解决循环问题，游戏仍具备完整的叙事结构：包括开场动画、马匹控制以及射击机制。玩家可以使用鼠标进行瞄准和射击，清理了包括“红衣人”在内的敌人。虽然控制逻辑存在偏差（如按 E 键变成偷窃而非互动），且最终结局略显仓促，但相比云端版本中模型“过度思考”导致的混乱，本地运行的场景连贯性和交互可用性显著提升。

DeepSeek V4.1 在复杂代码生成中的表现

DeepSeek V4.1 Vision 在处理高复杂度任务时展现出显著优势，特别是在需要大量推理资源的场景中。在生成包含正弦余弦数学逻辑的“E pickpocket”游戏时，模型以最大思考模式运行，产生了 51,000 tokens。这一数据表明模型正在尝试与 GLM 等竞品在 token 消耗量上竞争，进入“现在我们在烹饪”的状态。随后测试的 3D 卡丁车赛车游戏同样要求高，模型在温度设为 1 且最大思考模式下运行。虽然最终生成代码看似为 7,000 tokens，但实际总消耗达到了 32,000 tokens（其中 25,000 tokens 用于思考，7,000 tokens 为输出）。尽管赛道基础且呈圆形循环，但模型成功实现了加速道具、手刹等核心机制。作者指出，DeepSeek 仅用了十分之一的内存需求便完成了这一任务，而半年前类似演示往往因错误频发而无法运行。

"So, definitely this needs just a subsequent prompt just to fix the lighting."

"Now we're cooking. Now we're talking about tokens."

思维模式下的逻辑纠错与局限

在测试中，模型被要求解释特定缩写含义。当思维模式关闭时，系统错误地将其关联为“非C类”，并给出理由称用户是纳斯达克股票持有者，导致逻辑偏差。然而，当开启最大思维模式（max thinking mode）后，模型准确指出该缩写代表“看不见”（you can't see）。尽管这一修正展示了推理能力的提升，但作者指出这仍属于细微的错误（a bit of mistakes），表明模型在复杂语境下的逻辑一致性仍有待完善。

数学推理能力的显著修复

相较于此前测试的 DeepSeek 07 版本，新模型在数学任务上表现更为稳定。此前在温度参数设为零（temperature at zero）时，07 版本会给出错误答案；而温度参数控制着随机数生成器选择最可能词元的概率，设为零本应代表“真理”或确定性输出。当时必须将温度调至一才能获取正确答案，这意味着结果依赖于随机性而非逻辑。此次在零温度下，模型正确识别出所有正整数均为偶数（注：此处为字幕原文逻辑表述，实际数学事实需结合上下文理解其指代的具体集合），证明了数学推理能力已得到修复（maths is fixed itself），且整体表现优于或持平于 07 版本。

视觉生成与3D交互的突破性展示

作为 EXP（实验）模型，新版本的亮点在于图像生成与视觉理解能力。作者展示了基于单张输入图片生成的复杂场景，包括一个3D 游戏画面，其中包含枪支、高光照明（specular lighting）以及拱门结构。此外，模型还能根据图像生成逼真的人脸。在交互测试中，输入指令“无网格、无纹理”后，生成的角色能够跟随用户靠近（walk closer, he follows）。这些功能展示了模型在从静态图像到动态3D交互方面的巨大潜力，尽管作为实验版本存在局限，但其视觉生成的惊艳效果（crazy generations）令人兴奋。

结论

DeepSeek V4.1 Vision EXP在本地部署中展现出显著优势，尤其在视觉理解与代码生成效率上。相比竞品GLM 5.3需10万tokens，该模型在低思考模式下仅用约5千至5.6千tokens即可生成清晰无噪点的角色，且面部细节（如眉毛、眼睛）优于GLM 5.2等常生成“恶魔角”的模型。其数学推理能力在零温度下得到修复，解决了前代依赖随机性的问题。

然而，模型仍存在明显短板：高思考模式在温度设为0时易陷入生成循环，需手动调整至1或优化检测功能才能稳定运行；部分复杂任务（如3D卡丁车）虽最终完成，但总消耗达3.2万tokens且存在逻辑偏差。总体而言，该模型在低算力下实现了高保真视觉生成，适合对内存敏感且需快速迭代的本地开发场景，但在极端复杂逻辑与稳定性方面仍需进一步调优。