全新架构与参数规模

DeepSeek推出了V4.1 Flash模型，这并非对前代Flash模型的简单迭代改进，而基本上是一个全新的模型。它拥有新的架构、新的大小以及极具竞争力的价格。该模型采用5520亿参数的混合专家（MoE）架构，并使用了编码器-解码器结构。值得注意的是，每个输入仅激活80亿参数，而输出则使用160亿参数。这种设计使得它成为该新架构家族中体积最小的模型。虽然编码器-解码器Transformer（如Google在2019年推出的T5）并非新技术，但DeepSeek将其应用在此处并进行了优化。由于这是该架构中最小的模型，业界普遍预期未来会有参数更多、性能更强的变体出现。

基准测试表现与KV缓存优化

尽管评测者对部分基于JPEG的基准测试结果持保留态度，但数据显示V4.1 Flash的性能表现强劲。它与拥有2.8万亿参数的Kimmy K3相当，并且在性能上与GLM 5、Opus 5和Soul 5持平。更令人兴奋的是，尽管V4.1 Flash体积更小，但它似乎在性能上超越了更大的V4 Pro模型。此外，该模型在KV缓存方面实现了大幅缩减。这意味着在处理长上下文时，无需占用大量可用RAM即可维持性能。评测者指出，资源使用量的显著降低表明该模型在处理长文本时具有极高的效率优势。

多模态能力与定价策略

V4.1 Flash原生支持多模态输入，能够直接识别图像，这是此前DeepSeek模型（除Vision实验版外）所不具备的功能。在定价方面，该模型表现出极高的性价比：在最昂贵的用例中，输入令牌价格为每百万30美分，输出为每百万1.2美元。模型权重已通过MIT许可证在HuggingFace上开源发布，用户无需等待即可获取。评测者强调，如果基准测试数据属实，这一价格极具吸引力。

本地部署可行性与显存优化

针对用户关心的本地运行问题，DeepSeek引入了“Engram”参数技术。在模型文件中，有两部分文件体积巨大，这些即为Engram。据推测，1960亿参数属于这类Engram参数。这些参数的特殊性在于它们可以被卸载到CPU内存中，甚至可以从高速SSD流式传输。这意味着用户不必将所有参数都塞入GPU显存。虽然整体模型依然庞大，但这种机制为在消费级或爱好者级别的硬件上运行该模型提供了希望。评测者计划通过DeepSeek Harness进行实际测试，并监控成本（当前预算为312美元），目前已完成BrowserOS v2.7测试，花费0.25美元。

虚拟桌面环境的初步探索

测试首先从模拟的Windows状态开始，界面右下角显示了时钟、日期、音频设置及网络配置。系统具备每两秒一次的快照功能，用于记录状态变化。这一基础交互界面展示了模型对常规UI元素的还原能力。随后进入开始菜单，测试者注意到邮箱应用中出现了一个名为“Voss”的发件人。这是一个在AI写作领域非常常见的名字，暗示了模型训练数据中可能包含大量相关文本。邮件内容均与系统内的应用程序有关，这种设计旨在测试模型对上下文关联的理解。

接着，测试者尝试运行一个基于GTA的克隆游戏。由于当时并未开启最高效率模式（Max Effort），画质设定为“高”而非“极高”。尽管画面中树木数量异常密集且存在渲染瑕疵，但整体潜力巨大。测试者指出，虽然有些细节不尽如人意，但这可能是由于未使用最高设置所致。随后进行的另一个飞船模拟游戏展示了随机化因子（如“新隧道种子”选项），进一步验证了模型在生成动态游戏逻辑方面的能力。虽然这些内置小游戏未能完全展示模型的顶级实力，但它们提供了初步的功能性反馈。

多媒体与壁纸应用的意外惊喜

在浏览系统应用时，测试者发现了一个名为“Jukebox”的程序。该程序具备过程化音频生成能力，能够根据特定的BPM（每分钟节拍数）、音阶和声音进行创作。当测试者触发新旋律时，系统成功生成了新的音频片段。这一功能证明了模型在处理复杂多媒体指令时的精确度，是一个令人惊喜的发现。

此外，系统还内置了高度可定制的壁纸应用。测试者尝试了多种视觉效果，包括“运动速度设置”、“前景粒子”、“星座晶格”以及独特的“地形漂移（Topographic Drift）”。这些壁纸不仅视觉效果出色，还允许用户调整等离子场等参数。系统甚至记录了50个不同窗口打开状态的快照。考虑到这是在非最高效率模式下运行的结果，这些多媒体应用的丰富度和完成度令人印象深刻。

C++滑板游戏构建与物理模拟测试

为了更严谨地评估模型能力，测试者切换到“Max Effort”模式，要求模型构建一个自包含的C++滑板游戏。任务设定为在纽约市街区环境中进行滑行。模型生成的代码运行速度与其“Flash”命名相符，效率极高。在生成过程中，测试者发现模型曾尝试读取游戏图片以进行调试，但由于配置问题被阻止。这一插曲揭示了多模态交互中的潜在冲突。

游戏最终成功运行，控制指令清晰：F键为自由滑行，1-4键传送位置。游戏内NPC密度极高且具备互动性。尽管部分行人动作怪异（如“太空步”过马路），但整体环境细节丰富，包括积水、蒸汽以及车辆鸣笛等音效。物理模拟方面，滑板在斜坡上的滚动表现尚可，但在平地滑行时缺乏应有的倾斜角度。尽管滑板的物理反馈存在瑕疵，但整体游戏具备可玩性。

综合评估与局限性分析

测试者对滑板游戏的整体表现给予肯定，认为其在成本效益和功能性上达到了较高水平。模型成功实现了滑板、地形交互及NPC互动等核心功能。然而，物理引擎的缺陷依然明显：滑板在转弯时未能正确倾斜，且“摔倒”效果过于生硬。这些细节上的不足表明模型在复杂物理模拟上仍有提升空间。

最后，测试者提到下一个环节将涉及基于Webcam视觉控制的物理机器人实验。这标志着评估从纯软件模拟向更复杂的具身智能领域延伸。总体而言，DeepSeek V4.1 Flash在代码生成、多媒体处理及基础游戏构建上展现了强劲实力，尤其在非最高设置下仍能保持较高可用性。其“Flash”特性不仅体现在速度上，更体现在对资源的高效利用与多任务处理能力上。

机械臂操控测试：视觉感知与逻辑理解的脱节

在针对DeepSeek V4.1 Flash的机器人手臂控制测试中，核心任务是利用摄像头辅助机械臂抓取橙色小车并将其移至平台另一侧。然而，测试在运行约45分钟后被迫终止，主要障碍在于模型对机械爪状态的认知存在严重偏差。尽管摄像头位置并非最优，但根本问题在于模型未能理解机械爪是倒置安装的。当它尝试抓取时，错误地假设爪子处于打开状态并继续执行“张开”指令，导致无法闭合抓取物体。作者评估认为，这更多是视觉处理能力（Vision Capability）的局限，而非模型整体智能不足。若能优化前端视觉管道，结果或许不同。

"One of the big issues I was noticing was that it did not seem to understand the grippers were inverted."

尽管最终未能成功抓取小车，但测试过程揭示了模型具备相当强的软件逆向工程与环境调试能力。在连接初期遇到USB线缆故障时，模型主动识别出线材问题并建议更换；随后面对不支持固定曝光模式的摄像头，它尝试理解相机特性以调整策略。这些交互表明模型在排查硬件故障和适配外设方面具有主动性。测试结束后，文件夹中保留了大量带有边界框（Bounding Boxes）的截图记录，展示了模型在尝试锁定目标、调整焦距和探索环境时的详细工作流。虽然视觉上缺乏成功的喜悦，但这些日志证明了模型在复杂约束下的持续探索与工作负载能力。

AI生成格斗游戏的3D建模与动画缺陷

测试者首先对DeepSeek生成的摔跤游戏进行了详细审查，尽管整体视觉效果在初步预览中表现良好，但在实际运行中暴露出严重的3D建模问题。最显著的问题是角色模型与服装的碰撞检测失效，导致手臂穿过身体或衣物，这种现象在3D角色绑定中属于基础错误。此外，测试者指出一个更严重的问题：摔跤手会直接穿过地板掉落，这破坏了游戏的基本物理规则。由于涉及Blender模型资产中的衬衫贴图问题，测试者无法直接展示部分故障画面，因此决定让AI进行后续修复。在重新生成并添加 fitted colored shirt（合身彩色衬衫）后，虽然模型外观有所改善，但骨骼绑定依然不完整。AI声称创建了多个可移动关节，但实际上角色缺乏应有的灵活性和自然的肢体运动。

游戏交互逻辑与视觉特效的矛盾表现

尽管3D模型存在缺陷，该格斗游戏在某些非核心交互和视觉细节上却展现了令人意外的潜力。测试者特别提到了观众席的随机高亮效果，这种类似闪光灯或频闪灯的视觉处理增加了赛场的氛围感。同时，擂台本身以及擂台外的环境建模也被认为相当不错。然而，游戏体验被严重的视觉故障所破坏。测试者描述了一种VCR glitch effect（录像带故障效果），这种画面撕裂和抖动不仅没有增加复古美感，反而干扰了正常的游戏观察。在操作层面，按键响应存在延迟或失效的情况，导致测试者难以顺利触发终结技（Finishers）。虽然角色有一些细微的手部和手臂动作，显示出一定的绑定潜力，但整体而言，游戏处于“可用但未完成”的状态。测试者认为尽管初期因各种滑稽bug令人发笑，但经过冷静评估后，其底层生成能力仍值得进一步观察。

C++生成的复古拉力赛车代码与界面设计

在摔跤游戏测试后，测试者转向了一个更具挑战性的项目：使用C++生成一个复古3D拉力赛车游戏。该项目要求第一人称视角、低多边形风格，且明确禁止使用Raylib库。AI最终交付了超过7000行C++代码，分布在30个文件中。初步运行结果显示，地形高度变化处理得当，且AI在赛道旁添加了电话杆等细节物体，这种对非核心环境元素的关注超出了预期。然而，游戏初期面临按键事件未注册（key press events not registering）的致命问题。测试者通过提示AI修复，并尝试调整指令格式（如使用大写强调），最终解决了输入响应问题。这一阶段的测试重点在于验证AI在纯代码逻辑和复杂交互系统上的稳定性，而非单纯的图形渲染。

赛车游戏的界面细节与后续优化方向

修复输入问题后，生成的拉力赛车游戏在视觉和UI设计上达到了极高的完成度。测试者将其质量与之前的Fable 5.1结果相提并论，认为其仪表盘、进度条和路面指示器等UI元素设计精良。尽管部分仪表指针的旋转方向可能与现实中的阿斯顿·马丁赛车相反，但整体风格高度契合复古拉力赛的主题。测试者对车内视角的低多边形建模和仪表盘布局表示满意，认为其细节丰富且逻辑自洽。为了进一步完善项目，测试者向AI提出了三项后续优化指令：一是移除遮挡车内视野的棕色平面（brown plane）；二是添加音效以增强真实感；三是将视角改为第三人称追逐镜头，并参考Saab 900 Turbo的风格。这一系列操作旨在测试AI在迭代优化和风格迁移方面的持续能力，目前游戏的核心框架已展现出极高的完成度。

赛车游戏与3D场景的细节还原

测试者首先检查了由AI生成的拉力赛游戏的最终成果，包括内饰修复、音效以及追逐摄像机视角。尽管最初对追逐摄像机的效果有所保留，但整体完成度令人满意。游戏几乎完美复现了预期的最终结果，甚至包含了电线杆、海拔高度和山地赛段等环境细节。测试者特别指出，AI在车辆内部添加了防滚架这一对细节能的精准把握值得称赞。鉴于游戏已在约一秒钟内完成，测试者认为此前进行的版本与最终成品高度一致。这一阶段的任务表明AI在构建完整游戏场景和物理交互逻辑上已具备相当高的成熟度，无需过多干预即可交付可用成果。

直列六缸发动机的3D建模与打印可行性分析

在等待其他任务期间，测试者让AI处理了一个直列六缸发动机的3D模型生成项目。该项目的核心挑战在于不仅要美观，还要支持无支撑的3D打印。经过多次中断和重启（因视频录制耗时超过5小时），最终模型在OpenCAD中展示出了极高的清洁度。引擎盖上的文字清晰，拥有完整的进气管、排气管以及两个涡轮增压器结构，甚至包含了N20电机及其变速箱等真实部件。测试者通过Blender的切割视图发现，AI生成的模型结构合理，但存在少量悬浮部件可能影响打印。这种从“视觉展示”转向“工程制造”的测试维度，验证了AI在生成可打印3D模型方面的潜力，尽管仍需人工微调以解决悬浮问题。

复杂手表网站与3D交互体验的生成极限

测试的最后阶段是创建一个包含高精度3D模型、电影级运镜和爆炸图功能的Slapis手表网站。该任务持续了约100分钟（从早上8:00至9:38），最终呈现的效果被评价为“令人疯狂”。网站加载了高分辨率渲染管线，表盘上的‘S’标志浮雕、日期显示（恰好为10号）以及自动机械机芯的动画均栩栩如生。滚动效果流畅，表带连接问题在过程中被修复。尽管木纹贴图存在重复和接缝瑕疵，且用户界面交互逻辑尚不清晰（无法轻松切换另一款手表），但整体视觉质量和动画流畅度达到了极高水准。测试者认为这可能是迄今为止最好的AI生成网站案例之一，即使耗时较长且存在微小瑕疵。

总成本与综合评估

经过一系列高强度测试，包括C++游戏开发、Three.js网页构建、Blender 3D建模以及机器人手臂控制，本次测试的总成本为$359。这一数字涵盖了从赛车游戏到复杂手表网站的所有生成任务。尽管部分模型存在打印障碍或UI交互缺陷，但AI在跨领域复杂项目中的表现展示了惊人的综合能力。测试者对最终结果表示满意，认为这些成果证明了当前模型在处理多模态、高复杂度任务时的卓越性能。

极具竞争力的定价与架构突破

DeepSeek V4.1 Flash 是一款在价格上非常具有竞争力的新模型，尽管其整体规模比之前的 Flash 版本更大。作者坦言自己可能因长期关注该技术而感到有些“麻木”，但在深入阅读相关资料后，依然被该模型的特性所震撼。核心亮点在于其采用了全新的架构设计，并且拥有极少量的激活参数。这种在保持较大模型规模的同时实现极低活跃参数的技术路径，使得该模型显得非常特别。有业内人士（Digital Spaceport）在社交媒体上指出，基于其表现，该模型的性能提升幅度可能远超 0.1，甚至相当于 V4.5 版本。这种架构上的优化不仅提升了效率，也为其在开源模型领域的领先地位奠定了坚实基础。

C++ 游戏开发测试：滑板与拉力赛

在具体的代码生成能力测试中，作者重点考察了 C++ 游戏开发场景。首先是滑板游戏的构建，该模型不仅实现了两分钟计时器或自由模式的功能逻辑，还生成了具有幽默感的行人行为。尽管生成过程中出现了一些滑稽的错误（如鸽子等元素），但滑行逻辑完全正确。更令人印象深刻的是，模型能够识别并生成单独绑定的滑板角色骨骼动画，这在同等价位下是极具价值的。作者指出，仅这一项结果，其他许多模型可能需要3.60 美元左右的成本才能达成。此外，在摔跤游戏的测试中，模型同样尝试对角色特定部位进行精细的骨骼绑定，甚至生成了细微的手部摆动动画。这些案例表明，该模型在处理复杂游戏逻辑和角色绑定方面表现出色。

综合评估与未来展望

另一项关键的 C++ 测试是拉力赛游戏的开发，作者对其表现非常满意。该模型生成的代码质量极高，以至于如果放在一年前，其水平将超越当时最前沿的 SOTA（State-of-the-Art）模型。作者强调，进行多次 C++ 测试是为了全面验证模型的工程落地能力。综合来看，DeepSeek V4.1 Flash 是一款令人兴奋的新模型。虽然作者决定不进行传统的结果汇总列表，因为许多测试并非简单的网页点击即可运行，但滑板游戏和拉力赛等案例已充分展示了其实力。作者认为，基于当前的表现，下一代版本极有可能成为该领域的绝对主导者。对于任何疑问或进一步探讨，作者鼓励观众在评论区留言。

"Considering the new architecture, the extremely low amount of active parameters in this model, this seems like it's really something special."

"This is something a year ago would have been exceeding Frontier state-of-the-art models."

"I almost feel like the next version of this could be a complete like dominator basically for lack of a better term."

结论

DeepSeek V4.1 Flash凭借5520亿参数MoE架构与极低的激活参数量，在代码生成、多媒体处理及3D建模等复杂任务中展现出超越前代V4 Pro的性能，且成本极具竞争力。其优势在于高效的资源利用与多模态原生支持，但在视觉感知（如机械臂倒置识别）及物理模拟细节上仍存在明显短板。尽管部分生成物需人工微调，整体已具备极高的工程落地价值与可用性。