I Ran the FULL DeepSeek V4.1 (1017) via SSD for 24 Hrs... New #1 Local AI 🤯

DeepSeek V4.1 (1017) 本地部署架构与内存优化

本视频展示了 DeepSeek V4.1 (版本 1017) 在本地硬件上的完整运行能力。该模型总大小为 510 GB，其中约 40% 为 engrams（n-gram），支持 SSD offload，从而在保持高速度的同时大幅降低内存占用。作者使用的是 MP Ultra 平台，实际仅消耗 217 GB RAM（纯权重状态），若进一步量化可优化更多。当前运行版本为“pure version”，仅对视觉层进行 9-bit 量化，作者认为这几乎是无损的。内存使用显示为 278-326 GB，其中大部分由模型本身占用，其余为缓存文件。n-gram 从存储加载到内存后会被丢弃并重新读取，但若系统有富余内存，OS 会缓存这些结果以提供“免费读”性能。这种机制让模型主体驻留 RAM，推理速度极快。

"we actually ran the full fat version... 510 GB of which 40% of it is engrams, which means you can offload to the SSD and still get some really fast speeds."

基准测试对比：DeepSeek V4.1 vs Kimi K2 & GLM

在性能基准方面，作者指出 DeepSeek V4.1 的表现达到了 frontier-level。在 Deep SW 基准上，官方使用特殊 harness 测得分数从旧版的 74 提升至新版的 77。虽然使用普通 harness 分数会较低（旧版约60多，新版推测从 64 升至 67），但其他基准表现强劲。在 Terminal Bench 上，分数从 30 提升至 40；而在 Program Bench 上，从 20 升至 29。相比之下，新发布的 Kimi Kaze 3（作者口误为 Kimikaze）在 Terminal Bench 仅得 12，Program Bench 得 17。GLM 5.3 在 Program Bench 仅得 19，远低于 DeepSeek V4.1。作者认为这可能是当前最强的本地模型之一。

"Deep SW is 77. That is like frontier-level performance... Terminal Bench, 30 to 40. And compared to Kimikaze 3... only got 12, apparently."

实时推理性能与生成质量验证

作者通过实际运行测试了模型的响应速度和输出质量。在调试模式下，关闭思考功能时，生成 5,000 tokens 的核爆炸场景平均速度为 14.8-15.5 tokens/s。当开启“Low Thinking”（25,000 token 上限）时，生成的火山爆炸视觉效果更加震撼。作者对比了 DeepSeek 官方云端接口在相同“Thinking Disabled”设置下的输出，发现本地运行结果与云端 非常相似（parity），差异可能仅源于温度参数或系统提示词的不同。在 Temperature 1.0、Max Thinking（限制为 10,000 tokens）的设置下，模型生成了 20,000 tokens 的内容，平均速度为 15.3 tokens/s。尽管启用了 engram offload 且尚未开启 MTP（Multi-Token Prediction），内存使用仍控制在 282 GB 左右，上下文窗口仅占用极小空间（0.06 GiB），体现了 DeepSeek 对上下文的极致优化。

火山场景的视觉迭代与本地化挑战

在生成火山熔岩流动的场景时，尽管重置按钮失效且存在错误，但辉光效果（bloom effects）赋予了画面梦幻般的质感。为了复现云端模型的效果，作者向本地 DeepSeek 发送了截图并请求增加光照与辉光过载。经过多轮调整，本地生成的熔岩流动细节虽然仍存在与燃烧部分断开的逻辑 bug，但整体视觉效果已非常接近云端版本。这一过程展示了通过视觉推理（vision inference）和提示词微调，本地模型也能达到高水准的生成质量。

"I sent a screenshot of the Deep Seek generation and I said, can we make it glow like in the photo?"

本地运行耗时与隐私优势的权衡

在性能对比方面，作者指出使用 M3 Ultra Mac Studio 本地运行该生成任务耗时约 1,200秒（约20分钟），而云端 DeepSeek 官方声称仅需 401秒。尽管存在显著的速度差距，但本地部署提供了更高的基础设施控制权和隐私保护。文中特别提及了 Anthropic 的 X4Z 曾指控 DeepSeek 代理请求至 Claude，这引发了用户对数据隐私的担忧。因此，对于重视数据安全与合规性的用户而言，本地运行的时间成本换取了不可妥协的隐私保障。

人脸与解剖学生成的思维模式对比

在测试写实人脸渲染时，关闭思考功能即可生成具备良好颧骨和五官细节的图像；开启 10,000 tokens 的最大思考模式并设置温度为 1，虽然解决了部分眼睑问题但导致人物秃顶。更复杂的 3D人体解剖学生成则展示了思维模式的决定性作用：关闭思考时输出仅为带有红蓝点的抽象外星生物，而开启最大思考模式后，模型准确生成了心脏、肝脏、肾脏及骨盆等器官结构。这一对比证明，在复杂逻辑与空间关系任务中，深度思考模式（Deep Thinking）能显著提升生成的准确性与完整性。

3D人体模型生成与量化稳定性

在展示DeepSeek V4.1的视觉能力时，演讲者生成了一个可实时切换器官与皮肤的人体模型。尽管量化过程通常会导致骨骼结构错乱，但该模型的骨骼连接完整且渲染效果极佳。演讲者指出模型目前包含10,000个token，尚未达到完整版本。他提到正在后台以温度零（temperature zero）进行对比生成，旨在观察不同参数下的改进情况。这种对底层结构完整性的关注，体现了模型在复杂3D资产生成上的稳定性。

"I love the bones. The bones are all connected... sometimes when we have to quantize models, the bones go crazy, but this one it kind of worked."

网站生成：从平庸到“活”的界面演进

演讲者通过迭代提示词测试了模型的前端开发能力。初始指令“制作最花哨的网站”在关闭思考模式（thinking disabled）下生成了被评价为“丑陋且平庸”的基础页面。随后，他启用最大思考模式（max thinking）并将温度设为1、token预算增至10,000，生成了名为“Nova”的界面。虽然色彩略显激进且代码出现运行时错误（unexpected token），但模型能通过后续提示自我修复。最终，通过调整温度为零并允许生成34,000个token（耗时2,300秒），模型产出了包含实时运动设计、发光背景及复杂图表的“活”界面，被评价为类似真实应用程序而非传统网站。

"It's still not 2026 2027. It's still a bit overcomplicated... but remember this is thinking disabled."

GTA克隆游戏与温度参数对代码逻辑的影响

在测试游戏开发能力时，模型生成了一个类似GTA 5的网页版驾驶模拟。尽管初始版本存在光照过曝（Unreal Bloom）问题，但模型通过图像推理功能分析截图后成功修复了代码。然而，当启用最大思考模式、温度设为1且生成34,000个token时，代码出现了语法错误。演讲者深入分析指出，这是由于温度1下的随机数生成器（RNG）导致模型在采样时选择了错误的token：本应输出“start”的位置输出了重复的变量名“car”，导致const car定义冲突。这一案例揭示了高温度参数在代码生成中可能引发的逻辑陷阱，尽管模型具备自我修复能力，但初始生成的准确性受采样策略显著影响。

温度参数对代码生成质量的影响

在编码任务中，Temperature（温度）的设置直接决定了模型的输出稳定性。虽然存在强制模型不选择所有Token的特殊机制，但当前技术状态主要侧重于语法正确性，如括号匹配等基础规则。作者强调Temperature 0能获取模型的首选Token（Number One Picks），这对于代码生成至关重要，因为此时输出质量最高且最符合逻辑。尽管评论区常有声音主张使用Temperature 1以获得最佳效果，但作者通过大量测试发现，Temperature 1会导致运行时错误（Runtime Error）。相比之下，在生成GTA克隆游戏时，使用Temperature 0配合26,000个最大思考Token，成功生成了可运行的城市场景、角色移动及车辆驾驶功能，且无运行时错误。这一对比证实了低温参数在确定性代码生成中的优势。

帝国时代生成质量受温度与思维深度显著影响

在测试《帝国时代》网页版游戏时，开发者团队仅提供了索引文件、主JS文件和GLB模型下载链接，要求用户自行整合。当设置温度为1并启用思维模式（限制10,000 token）时，模型出现早期退出思考机制，导致生成的游戏内容极为简陋：建筑可点击但无实际交互逻辑。相比之下，切换至温度为0后，模型持续思考约10,000-11,000 token才停止，但仅生成约3,000 token的代码。尽管此前用10,000 token曾生成过可摘苹果、砍树的高质量地图，此次结果却令人失望。作者推测提示词工程或语言选择（如使用中文）可能影响模型表现，因为官方聊天模板中常包含拟人化指令（如“这是你的终极思考状态”），暗示模型对特定语境敏感。

"So, even though it was a max thinking... got with a branch of the tree, and it ended thinking early."

复用旧模型推理链可提升新模型生成质量

为排查问题，作者提取了旧版DeepSeek的推理阶段输出并注入新模型。这一操作使生成代码量从3,000 token跃升至18,000 token（基于25,000 token思考），地图质量显著改善：可摘苹果、选择机制更完善。作者指出量化精度可能影响表现，曾观察到Q8量化版本有时优于未量化模型。此外，尝试让模型生成Three.js照片时遭遇运行时错误，修复后虽出现敌方AI派兵机制（可训练士兵、发起战斗），但缺乏城镇建筑系统。作者强调测试时使用纯模型而非官方助手框架，以排除harness干扰。

"Generation-wise, it did produce more tokens. So 18,000 tokens of generation from 25,000 tokens of thinking."

视觉层量化与预量化版本性能对比存疑

作者进一步测试Q9量化的完整模型（含视觉层），发现仅生成5,000 token且质量较差。对比之下，预量化版本（DeepSeek官方转换版）在相同条件下表现更优。作者怀疑问题源于视觉层量化至Q9导致图像推理能力下降，或提示词未适配官方系统指令（如“你是一个助手”）。尽管预量化版本理论上应保持一致性，但实际生成结果反而更差。作者计划继续测试其他Q9量化变体以定位问题根源，强调模型参数一致性对公平对比至关重要。

Q9量化版本在图像生成中的意外优势

在测试DeepSeek V4.1的视觉能力时，Q9量化版本的表现甚至优于全精度模型。尽管其视觉层数少于非视觉部分，但生成的图像中成功出现了房屋等关键元素。相比之下，之前的版本表现稍逊。Q9被确认为当前可用的最佳量化方案。

"So, maybe this Q9 is the best one that's available. So, in my tests, that was the best one than even the full fat version." 这一发现表明，量化策略对特定任务的性能影响具有非线性特征。

Tomb Raider：温度1激活复杂跑酷机制

在禁用思考模式时，模型生成的游戏仅是一个基础框架，无法实现核心玩法。当温度设置为1时，模型消耗了20,000个token（其中包含10,000个思考预算），生成了令人惊叹的完整体验。尽管存在轻微的Z-fighting视觉瑕疵，但水面反射效果极佳，能清晰看到原木的倒影。最关键的突破在于游戏机制的实现：角色能够真正攀爬墙壁、在屋顶奔跑并跳跃至其他建筑，实现了基于跑酷的流畅交互。这种生成不仅没有运行时错误，还展示了模型在随机数发生器幸运时的巨大潜力。

"I'm climbing up the walls. I'm going to go to the top... That is fantastic."

Blender应用：Token选择决定代码成败

在生成简易Blender 3D应用程序时，禁用思考模式已能创建可移动的基础几何体。然而，在温度1生成55,000个token的过程中出现了一个关键逻辑陷阱。模型在代码末尾选择了分号换行而非预期的闭合标签，导致系统误判为回合结束。通过手动选择模型的第一候选token（number one pick）继续生成，代码成功闭合并运行。最终生成的应用包含交通锥、礼物盒及太阳系模拟等丰富图元。这一案例揭示了在长代码生成中，token选择策略对最终功能完整性的决定性影响。

"Rather than picking the model's number one pick... it picked the semicolon new line, which then made the top token the close tag token."

iMovie与Logic Pro：创意软件的音频突破

模型成功构建了iMovie界面，支持媒体库导入、项目导出及播放控制。在Logic Pro音频工作站测试中，禁用思考模式仅产生基础功能，但启用10,000个最大思考token后，生成的应用能播放出极具风格的节拍。用户反馈其音乐质量极高且可重新生成不同旋律，甚至足以作为游戏背景音乐使用。

"Such a sick beat and you can regenerate comes up with different ones."

逻辑推理：德国与希腊洗车决策

在基础逻辑测试中，面对“人在德国想去希腊洗车”的问题，禁用思考模式时模型给出了略显冗余的建议。它建议驾车前往希腊洗车，但同时补充说除非有特定理由，否则应在德国找车洗以节省行程。启用思考模式后，模型直接给出了更务实的结论：应该驾车（隐含去希腊），但实际操作上建议在德国洗车。这表明模型在启用思考后，能更精准地过滤冗余信息并给出符合现实逻辑的最佳建议。

WinRT持久性订阅的编码陷阱与模型表现

在探讨WinRT编程时，持久化（durable）订阅机制的命名混淆成为核心难点。即便使用GLM 5.3模型，在低思考模式下也会给出错误答案；而DeepSeek V4.1在禁用思考时同样出错，但在低思考模式下能同时给出“订阅”和“持久化”两种建议。这种模糊性源于微软将Windows Store中的产品订阅查询为durable类型，导致新手极易混淆。当启用最大思考模式并限制1,000个思考令牌时，模型准确指出“除非产品明确报告为订阅类型，否则应使用durable”，这一正确逻辑在10,000令牌下依然保持一致。这种对底层API行为的精准理解展示了模型在复杂编码场景下的可靠性。

"So, it says for subscriptions, do not assume subscription unless your store product actually reports that kind of many Windows store subscriptions are queried as a durable."

开源权重同步发布策略的行业对比

DeepSeek V4.1（版本1017）的同步开源策略被视为行业标杆。与大多数厂商先发布聊天界面或API、延迟数周至一个月才开放权重不同，DeepSeek在模型上线的同时即发布开源权重。相比之下，Meta等巨头往往因安全审查、投资者沟通及合规流程，导致模型发布滞后数月甚至半年。尽管大参数模型面临更严格的监管压力，DeepSeek这种快速迭代的开源模式极大降低了开发者的使用门槛。评论指出这可能是其最后一次如此自由的发布，因为中国新法可能要求超1万亿参数模型需政府审批，而当前版本因规模较小暂未受限。

"So, that is fantastic cuz most people out there... make their chat interface or the API their primary for like 2 weeks to a month before they release it open weight."

结论

DeepSeek V4.1 (1017) 在本地部署中展现出前沿性能，Terminal Bench与Program Bench得分显著优于Kimi K2及GLM 5.3。其核心优势在于通过SSD offload将内存占用控制在217-282GB，且Q9量化在视觉生成上甚至优于全精度模型。然而短板明显：本地推理速度（约15 tokens/s）远低于云端，且高温度参数易导致代码逻辑错误。该模型适用于重视数据隐私、拥有高端硬件（如M3 Ultra）且能接受较长等待时间的用户，尤其在复杂逻辑与视觉迭代任务中表现稳定。