发布背景与基准测试突破
DeepSeek 正式发布了 V4 Flash 模型，此前该版本仅处于预览阶段。此次官方宣传极为低调，主要依托 X (Twitter) 帖子及一张基准测试图片进行推广。由于性能提升幅度巨大，社区甚至质疑这是否应直接命名为 DeepSeek V4.5。在备受关注的 SWE-bench 基准测试中，该模型的表现实现了质的飞跃：得分从预览版的 7.3 飙升至正式版的 54.4。这一成绩使其能够与 GLM-5.2 等主流模型抗衡，虽然尚未达到 Opus 4.8 的水平，但考虑到 V4 Flash 并非庞大的 Pro 版本，这种性能表现令人印象深刻。作者指出，如果这些增益能延续到即将发布的 Pro 版本中，8月初的模型竞争格局将变得非常有趣。
本地部署可行性与硬件需求
从技术架构来看，DeepSeek V4 Flash 拥有 2840亿 总参数，但采用混合专家（MoE）架构，仅激活 130亿 参数。这种设计使得在本地设备上运行该模型成为现实可能。根据 Hugging Face 上的预览版数据，其量化版本对硬件有一定要求：最低端的 4-bit 量化模型大小约为 138 GB。然而，若使用 Unsloth 动态量化技术，该模型可以运行在单台拥有 128 GB 统一内存的机器上。这意味着用户无需昂贵的分布式集群，仅凭单卡高性能设备即可体验这一轻量级但强大的模型。作者强调，这种在较小参数量下能与更大规模模型“互有胜负”的能力，极具吸引力。
集成方式与 API 定价策略
官方公告中重点链接了 CodeX 的集成指南，这似乎是用户呼声最高且主要的推广方式。测试将在 Linux 系统下通过命令行界面进行，虽然缺乏图形界面的美观性，但功能完整且官方提供了一键设置脚本。在定价方面，V4 Flash (版本 0731) 以极低的价格著称：输入 token 价格为 每百万个 2-3美分，输出为 每百万个 14-28美分。需要注意的是存在高峰时段加倍机制，高峰期输入价格升至 每百万个 28美分，输出为 每百万个 56美分。这种极具竞争力的定价策略配合其代码能力，使其成为高性价比的选择。
BrowserOS 测试表现评估
为了直观感受模型能力，作者进行了传统的 BrowserOS v2.5 测试。在开启最大推理努力（Maximum Reasoning Effort）的情况下，模型经过 7分钟 的思考后开始生成代码。最终生成的操作系统命名为“Ominous”，包含两个真实的3D游戏和一个繁忙的记事本应用。尽管模型在命名上略显困惑（似乎误解了作者关于“不售卖”的声明），但其生成的代码质量极高。作者评价道，“This is very, very good, especially for a flash model”（这非常好，尤其是对于一款 Flash 模型而言）。界面呈现出类似 GPT-5.x 的美学风格，包含背景动画等细节。这一结果证实了 V4 Flash 在无需巨大算力支持下，依然能提供接近顶级模型的开发体验。
界面交互与基础功能测试
视频首先展示了DeepSeek V4 Flash在模拟Windows环境下的表现。用户观察到界面右下角的时钟和日期显示正确，背景动画流畅。模型似乎已经完成了个性化设置，且开始按钮具有悬浮Dock效果。在文件管理测试中，模型成功执行了保存文本、创建新文件夹以及在新文件中写入内容的指令。这表明该模型具备极强的文件操作能力，或者其训练数据中已包含此类高频Prompt。在记事本应用中，模型不仅提供了字数统计功能，还展示了良好的窗口管理逻辑，包括最小化到任务栏、重新打开以及全屏切换。这种对UI细节的精准还原超出了普通小模型的预期。
"I'm going to hold off on any saved about.txt. Can we actually create something in this file? Yeah, we can."
此外，模型在处理GTA City游戏任务时展现了初步的交互能力。虽然音频输出存在缺失（用户开启扬声器却无声音），但视觉反馈正常。模型成功理解了“偷车”并交付给绿色标记点的任务逻辑，并在完成后获得了500美元的虚拟奖励。尽管存在镜头移动反转等Bug，但任务执行的完整性证明了其在复杂场景下的理解力。
游戏逻辑与物理引擎表现
在更具挑战性的Asteroid（小行星）游戏中，模型暴露出了一些空间控制问题。按键映射出现错误：Shift键被误识别为推力，而W/S键则对应其他功能。这种空间感知的错位导致飞船控制困难。然而，在随后的Canvas（画布）缩放测试中，模型表现良好，能够正确按比例调整大小并支持PNG下载。这种对图形界面缩放逻辑的准确处理显示了其在视觉推理上的进步。
在终端（Terminal）测试中，模型生成了具有复古风格的界面。计算器应用虽然图标设计独特且缩放正常，但在执行计算时出现了错误：在输入“57 + 6”后未能得出正确结果，但在后续尝试中似乎修正了逻辑。值得注意的是，模型还展示了一个“时间机器”功能，能够自动记录用户操作并生成带时间戳的快照。这种跨模型普遍出现的“行为录制”功能引发了对背后训练策略的思考。
"It is really quite interesting how sometimes very different features will suddenly all start to appear across different types of models from different labs and things like that."
代码生成与Skateboarding测试深度解析
视频的核心亮点在于对自包含C++滑板游戏的代码生成与调试过程。初始生成的游戏具有复古加州美学，但存在明显缺陷：角色无法完成Ollie（豚跳）动作，且文本显示比例过大。然而，在成本方面表现优异：整个测试过程仅消耗约0.8美元（从9.85降至9.77），对于如此复杂的生成任务而言极具性价比。
在用户反馈后，模型进行了迭代优化。修复了主要的Ollie动作逻辑，并显著改善了文本渲染质量。尽管Kickflip（踢翻）和360 Flip等高级动作的按键映射仍需调整，但模型成功为商店添加了招牌文字，这在同类小模型中极为罕见。更令人惊讶的是，角色在滑杆上保持了惊人的平衡感。这种物理模拟的稳定性此前仅在Gemini 3.6 Flash等更高级模型中见过。
"This is overall significantly better than you would expect to get from a flash model."
最终，模型生成的游戏允许角色进入水中进行冲浪模拟。尽管视觉效果略显滑稽（手臂拍打动作），但360 Flip等复杂技巧的实现证明了其在物理逻辑和代码连贯性上的巨大突破。评测者认为，如果基准测试能反映这一水平，该模型将具备颠覆当前市场的能力。
3D FPS游戏生成：逻辑混乱但创意惊人
测试者首先尝试让模型同时完成“制作高质量的3D地铁场景”并转化为第一人称射击（FPS）游戏。结果生成的作品名为《Subterror》，虽然存在明显的玩法逻辑问题，但整体表现超出了对模型体量的预期。该模型在处理统一提示词时表现出极强的生成能力，甚至提供了探索或战斗两种模式选项。 游戏中包含脚步声和环境音效，但最显著的问题是“极度好战”且缺乏敌人。测试者指出：“对于这种体量的模型来说，这真的非常好。” 尽管初期版本中因没有敌人而显得诡异（被戏称为“B for Bloom”），且手电筒功能存在，但核心玩法逻辑尚不完善。在修正了自动射击等战斗机制后，敌人虽然出现，但其形象设计被评价为“不太友好”甚至令人发笑。模型的表现力堪比Opus 5级别，尽管存在空间逻辑瑕疵，但其创意和完成度令人印象深刻。
C++复古摩托车游戏：意外超越预期
为了测试模型的泛化能力，测试者要求生成一个基于C++的、具有复古3D风格的摩托车赛车游戏。起初，模型使用了Raylib库生成代码，测试者认为这可能导致结果偏差，因为未能在早期阻止该选择。然而，在强制要求不使用Raylib并重新生成后，最终生成的无依赖版本实际上比使用库的版本表现更好。 测试者对此结果感到困惑，因为通常引入外部库会简化开发。尽管手柄操作存在反向问题且空间感知仍有瑕疵，但整体视觉效果相当出色。这一测试证明了模型在处理从未尝试过的复杂提示词时，具备强大的自我修正和泛化能力。 虽然空间定位问题依然存在（如手柄反向），但核心游戏逻辑的完整性超出了预期，展示了模型在纯代码生成领域的深厚潜力。
3D手表网站渲染：空间定向能力的短板
接下来测试了为“Slapis Watch Company”生成包含3D模型、电影级运镜和前端界面的网站。模型采用了“render feature time distilled”的技术，即启动Chrome实例进行渲染并截图嵌入。尽管网站整体视觉效果干净且材料质感不错，但模型在3D空间定向方面存在明显弱点。 测试者发现，虽然手表的木质纹理和材质渲染良好，但整体布局存在空间错位问题。模型无法正确理解物体在3D空间中的朝向和相对位置，导致元素排列不符合常规视觉逻辑。 例如，生成的口袋表结构混乱，子表盘和细节虽然丰富（如“Lagoon Diver 300”字样），但整体形态被扭曲。尽管如此，这种通过自动化渲染生成高质量静态图像的技术路径仍被视为一种有趣的创新尝试。虽然空间理解是短板，但其前端实现和视觉呈现能力依然值得肯定。
直列六缸发动机建模：工业级精度与打印可行性
最后的测试聚焦于3D模型生成，要求设计一个能容纳280尺寸直流电机的直列六缸发动机（Inline-6），且需支持3D打印并尽量减少支撑结构。与传统的V8测试不同，直列六缸的结构更为复杂。模型成功生成了符合拓扑结构的发动机主体，并在OpenCAD中验证了关键功能点。 测试者确认模型正确识别了直列结构，并保留了油盖等细节。尽管电机在渲染中的朝向错误（世界空间坐标异常），但生成的STL文件显示出极高的实用性。模型不仅设计了轴孔，还优化了散热出口和走线路径，并采用了V形结构以减少打印支撑需求。 这表明模型在处理具有严格物理约束和制造要求的工业建模任务时，能够兼顾几何准确性与工程可行性。虽然空间渲染存在瑕疵，但其生成的打印文件具备直接可用的工业价值。
3D模型结构优化与本地部署可行性
在评估DeepSeek V4 Flash的底层构建能力时，测试首先聚焦于其生成3D模型文件的逻辑严密性。针对一个包含圆形底座和顶部V形结构的组件，虽然整体设计思路清晰（类似Kimmy K3在V8版本中的表现），但在工程细节上存在瑕疵。墙壁厚度不足以容纳孔洞，导致结构连接处显得薄弱。理想的方案是调整孔位间距或增加壁厚，并采用后盖滑动覆盖电机再螺栓固定的组装方式。此外，生成的环形部件虽非完美闭合，但多-piece（分块）生成策略体现了模型对复杂几何体的拆解能力。
更具价值的是其“Fit Check”（适配检查）功能。模型能够自动生成电机的简化版3D小模型，用于验证其在主体外壳内的实际物理兼容性。这一过程确保了最终生成的文件在3D打印时具有现实可行性，避免了不同部件之间无法连接或空间冲突的混乱局面。整体结构坚固且逻辑自洽，证明了该模型在处理需要精确空间对应关系的工程建模任务时，具备相当高的完成度。
C++ Chrono City 极限编程测试：无库依赖的城市时间线模拟
为了挑战模型在受限环境下的代码生成极限，测试引入了“Chrono City”（时序城市）项目。这是一个极具难度的Out-of-Scope（超纲）测试：要求使用C++语言，且明确禁止调用Raylib等现成图形库。通常情况下，此类项目多以HTML文件形式呈现，而纯C++实现需要从零构建渲染逻辑。测试初期进展缓慢，UI加载后屏幕呈现黑色，仅显示控制面板和时间轴滑块。长时间的黑屏等待引发了对渲染管线是否成功的担忧。
然而，最终结果令人惊叹。尽管画面中存在车辆侧翻扭曲、空间理解偏差等视觉瑕疵，但模型成功实现了不同年代城市景观的平滑过渡。从1945年到2005年，再到充满蓝色树木的未来世界，时间线的动态演变逻辑清晰。音乐也随年代自动切换（如1985年的合成器贝斯、2005年的建筑风格变化），甚至包含了类似《哈利·波特》中移动建筑的视觉效果。在零外部图形库支持下完成如此复杂的时序渲染，被视为该模型能力的重大突破。
成本效益分析与“Steve”游戏生成实验的经济账
DeepSeek V4 Flash的核心优势在于其极高的性价比。测试指出，仅需9,000美元购买两块DGX Spark硬件，即可在本地运行该模型并支持约百万级别的上下文窗口。相较于六年前同等性能所需的巨额投入，这种本地化部署的低门槛被视为一种“魔法”。同时，API调用成本极低，累计测试费用仅为96美元（起始余额9.85美元，消耗79美元），证明了其在商业应用中的经济可行性。
在测试后期，模型还接手了一个名为“Steve the PC Repairman”的电影化游戏生成任务。这通常是对Fable 5或Kimmy K3等大型前沿模型的测试，要求生成完整 gameplay、过场动画、剧情对话及电影运镜。尽管音频输出出现故障（Tab键静音导致无声），但生成的文本内容展现了惊人的细节：包括1998年购买别克车的怀旧对话、CMOS电池更换的技术指导（E键映射、拧螺丝步骤）以及角色间的互动剧情。虽然存在技术瑕疵，但在极低预算下完成如此复杂的叙事与逻辑构建，进一步印证了该模型在创意生成领域的潜力。
关键原话引用与高光时刻
"This is going to be like this is messed up, but it's a good test that's out of scope." "For $9,000, you can run this locally with probably a million context... 6 years ago, if you knew you could run something with this performance locally for $9,000, it would be like this is magic." "It has to do cutscenes, cinematic camera pan, story line... This is a difficult test because it basically needs to make the full gameplay."
游戏交互测试中的空间理解与逻辑推理
在视频游戏的自动化操作测试中，DeepSeek V4 Flash展现了令人惊讶的空间理解能力。尽管音频处理存在轻微瑕疵（"These sounds are like not entirely EQed properly"），模型仍能准确识别环境元素。它成功定位了自动售货机并理解其投币机制，甚至通过观察NPC的行为（"He nods. It means a lot."）来推断任务线索。在寻找出口时，模型克服了空间定位困难（"Again, some spatial issues here."），最终找到门并跟随NPC Mr. Thomas。面对复杂的对话和拍卖场景，模型虽然反应速度极快（"It's doing it too fast."），但能够处理诸如打开手提箱、使用手机锁工具（"Phone lockpick."）以及获取关键道具如钥匙卡等复杂动作序列。这种在混乱且非结构化环境中的自主导航能力，证明了其在处理多步骤任务时的稳健性。
复杂游戏引擎下的图形与物理模拟能力
为了验证模型在极端条件下的表现，测试者将其应用于对算力要求极高的3D游戏引擎中。DeepSeek V4 Flash在类似《地铁》（Subway）的第一人称射击游戏场景中表现"disgustingly sick"，其输出质量堪比Claude Opus 5等顶级大模型。测试中特别关注了环境细节的生成，包括动态光照（"turn the bloom on and off for the station"）和环境互动效果。模型不仅生成了逼真的视觉效果，还自动在环境中添加了弹孔（"It did have bullet holes in the environment."），这一细节甚至让测试者因专注于模型能力本身而未立即察觉。此外，模型还具备手电筒照明功能（"We have the flashlight capability as well."），进一步增强了场景的真实感。尽管存在枪械自动射击的微小瑕疵，但整体表现证明了其在图形渲染和物理模拟方面的强大潜力。
代码生成与跨平台应用的性能验证
除了游戏场景，测试还涵盖了C++代码生成的能力。在Moto GP相关的项目中，模型首先使用Raylib库生成了良好效果的内容（"did it first in Ray Lib before I could catch it."）。随后，测试者删除原有代码并要求模型在不使用Raylib的情况下重新生成。结果显示，新版本的视觉效果与之前几乎完全相同（"basically looked like exactly the same."），这表明模型可能具备某种形式的记忆或泛化能力，或者其生成的代码具有高度的通用性。此外，在城市时间线（"city timeline one"）项目中，模型在无额外辅助的情况下完成了C++代码编写及音乐生成（"it made the music and things like that."），展现了其在多媒体内容创作方面的综合竞争力。这些测试共同构成了对模型能力的全面验证，证明其不仅在视觉生成上出色，在逻辑编程和多媒体整合上也具备"properly competent"的水平。
本地部署潜力与行业竞争格局分析
DeepSeek V4 Flash的核心吸引力在于其极高的性价比和本地部署的可行性。测试者指出，虽然运行该模型需要昂贵的爱好者级硬件（"you're going to need a pretty expensive hobbyist machine"），但对于追求本地AI的用户而言，这种成本是合理的（"the cost is not entirely unjustified"）。与Meta的Muse Spark 1.1相比，DeepSeek V4 Flash在更难的测试中表现更佳（"did better than that and that is not what I expected."）。更重要的是，其性能规模与Kimmy K3等顶级模型相当，但参数量仅为1.6T（"That's a 1.6T versus a 2.8T."），显著小于竞争对手的2.8T参数规模。这种"小身材、大能量"的特性，使其有望成为Kimmy K3的有力竞争者（"could really be a Kimmy K3 competitor"）。测试者总结道，尽管模型在某些方面表现出近乎"疯狂"的能力（"DeepSeek V4 Flash Is INSANE"），但其实际表现远超预期，为小型模型的发展树立了新标杆。
结论
DeepSeek V4 Flash以2840亿参数（激活130B）实现了SWE-bench 54.4的突破，凭借极低API成本与本地部署可行性（128GB内存单卡），确立了高性价比标杆。其代码生成、复杂游戏逻辑构建及多媒体整合能力达到顶级模型水平，甚至超越部分预期。然而，该模型在3D空间定向、物理引擎细节及音频处理上仍存在明显短板。总体而言，它并非完美无缺的通用解决方案，但在特定编程与创意生成场景中展现出颠覆性潜力。