影片筆記：DeepSeek V4.1 Flash 实测：近 2 亿 Token 花了约 35 元，效果如何？

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 可先使用，仍有待修正項目

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

• 待修正：逐字稿全文快速校讀未完成（已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

測試者使用 DeepSeek V4.1 Flash（High 推理程度）進行多項複雜任務測試，總耗時約 2 億 Token，費用約 35 元。儘管成本極低，但推理速度較慢，且在視覺生成、3D 建模與遊戲開發等任務中，雖有細節瑕疵與穿模問題，但在寫作與部分場景構建上表現超出預期。

核心重點

1. 成本與效率：

• 總消耗近 2 億 Token，總費用約 35 元。
• 在下午高峰期測試，使用「High」推理程度。
• 單個任務完成時間長於 GPT 或 Groker 模型，等待時間較長，但成本效益高。

1. 視覺與 3D 生成能力：

• 清明上河圖：搭配 DeepSeek 的「Hannis」工具，生成高質感的水、房屋、樹木及人物場景。雖有穿模與構建不全問題，但整體質感、招牌文字（趙太成家）、橋樑紋理表現優秀。耗時約 91 分鐘，調用 3GS Skill，9000 多行代碼，三個 Agent 分別負責紋理、木構、船車牲畜。
• Hello Kitty 3D 建模：從頭部缺陷開始，經 94 分鐘迭代，修正沙發、桌椅、金屬質感。與 Astro 和 Fabro 5.1 相比表現良好。
• 手錶 3D 還原：耗時 1 小時，多次修改。雖有滾輪與表扣錯誤，但表帶質感良好。
• 幾何模型：測試直尺、球形、塔形等，效果一般，認為數學相關任務非其強項。

1. 應用與互動生成：

• 遊戲開發：生成「快樂向前衝」遊戲，包含音效與關卡。與 Glock 4.6 質量接近，有穿模與反覆落水修正，耗時 95 分鐘。
• 網頁生成：將宜家沙發安裝 PDF 轉換為互動網頁。交互設計（黃色高亮、動畫）獲好評，但部分零部件（如六角堵頭）與原圖有誤差。耗時 70 分鐘，圖片識別 54 次。

1. 文本生成能力：

• 生成關於醫院、房租與生日的短篇故事，情感細膩，獲得測試者高度評價，認為超出預期。

1. 總結評價：

• 寫作、清明上河圖、宜家沙發、Hello Kitty 建模令人印象深刻。
• 視頻生成效果未達預期。

詳細大綱

1. 模型基本資訊與測試環境

• 模型版本：DeepSeek V4.1 Flash (High 推理程度)。
• 測試條件：下午高峰期，總 Token 消耗近 2 億，費用約 35 元。
• 性能觀察：推理速度較慢，等待時間長，但成本效益高。

2. 視覺生成與場景構建測試

• 清明上河圖任務：
• 工具搭配：DeepSeek 的 Hannis。
• 細節表現：水質感、木質/磚瓦房屋、樹木、招牌文字（趙太成家）、橋樑紋理。
• 缺陷：人物穿模、船隻構建不全。
• 效率：約 91 分鐘，調用 3GS Skill，9000 多行代碼，三個 Agent 分別負責紋理、木構、船車牲畜。
• Hello Kitty 3D 建模：
• 過程：從頭部缺陷開始，經 94 分鐘迭代，修正沙發、桌椅、金屬質感。
• 對比：與 Astro 和 Fabro 5.1 生成的結果相比，表現良好。
• 手錶 3D 還原：
• 過程：1 小時，多次修改。
• 缺陷：底部滾輪突出、表扣錯誤。
• 優點：表帶質感不錯。

3. 應用與互動生成測試

• 遊戲開發：
• 內容：「快樂向前衝」遊戲，自帶音效與關卡。
• 表現：與 Glock 4.6 質量接近，有穿模與反覆落水修正。
• 耗時：95 分鐘。
• 網頁生成：
• 內容：宜家沙發安裝 PDF 轉互動網頁。
• 表現：交互設計（黃色高亮、動畫）獲好評，但零部件細節有誤差。
• 耗時：70 分鐘，圖片識別 54 次。

4. 文本生成能力測試

• 故事寫作：
• 內容：醫院复查、房租上漲、生日回憶。
• 評價：情感細膩，質感好，測試者認為超出預期。

5. 幾何與數學相關任務

• 模型測試：直尺、球形、放射、塔形。
• 評價：效果一般，認為此類任務與數學關係大，非模型強項。
• 對比：目前測試中 Fab 5.1 在此類論文任務表現最好。

6. 總結

• 寫作、清明上河圖、宜家沙發、Hello Kitty 建模令人印象深刻。
• 視頻生成效果未達預期。

工具 / 模型 / 名詞整理

• 模型/產品：
• DeepSeek V4.1 Flash
• V4.1 Flash High (推理程度)
• GPT
• Groker / Glock 4.6 (聽寫疑點，可能指 Grok)
• Astro
• Fabro 5.1 / Fab 5.1 (聽寫疑點，可能指 Fabric 或特定模型)
• DeepSeek (泛指)
• 工具/功能：
• Hannis (聽寫疑點，可能指某種工具或功能名稱)
• 3GS Skill
• The Agent (三個代理)
• OpenSED (聽寫疑點，可能指 OpenScene 或其他工具)
• SCID (聽寫疑點，可能指 Scene 或特定格式)
• 其他專有名詞：
• Token
• PDF
• Hello Kitty
• 宜家 (IKEA，文中寫為「一家」或「迪巴西克」的誤聽，但語境為沙發安裝)
• 清明上河圖

操作流程整理

1. 環境設定：選擇 DeepSeek V4.1 Flash 模型，設定為 High 推理程度，於下午高峰期進行測試。
2. 任務執行：

• 視覺生成：使用 Hannis 工具生成清明上河圖場景，監控三個 Agent（紋理、木構、船車牲畜）的輸出，耗時約 91 分鐘。
• 3D 建模迭代：
• Hello Kitty：從頭部開始建模，經 94 分鐘迭代修正沙發、桌椅與金屬質感。
• 手錶：進行 1 小時的多次修改，修正滾輪與表扣。
• 應用開發：
• 遊戲：生成「快樂向前衝」遊戲，包含音效與關卡，耗時 95 分鐘。
• 網頁：將宜家沙發安裝 PDF 轉換為互動網頁，進行 54 次圖片識別，耗時 70 分鐘。
• 文本生成：撰寫關於醫院、房租與生日的短篇故事。
• 幾何測試：生成直尺、球形、塔形等幾何模型。

1. 結果評估：對比各任務的完成時間、代碼行數、視覺細節、穿模情況及與競爭對手（GPT, Groker, Astro, Fabro 5.1）的表現，評估成本效益與最終質量。

值得注意的限制或風險

1. 推理速度與等待時間：即使是「High」推理程度，單個任務完成時間仍長於 GPT 或 Groker 模型，等待時間較長。
2. 視覺生成瑕疵：

• 人物穿模、船隻構建不全（清明上河圖）。
• 底部滾輪突出、表扣錯誤（手錶）。
• 零部件細節誤差（宜家沙發網頁）。
• 穿模與反覆落水修正（遊戲開發）。

1. 數學與幾何能力弱項：直尺、球形、塔形等幾何模型測試效果一般，認為數學相關任務非其強項。
2. 視頻生成效果：視頻生成效果未達預期。

逐字稿辨識疑點

• Dipensic / Divisic / Dipsic / Depicic / Difensica / DMSIC / Depsyk：逐字稿中對模型名稱有多種拼寫變體，應均指 DeepSeek。
• 內側：原文「它顯示的是內側」，語意不明，疑點。
• 多摩泰：原文「支持多摩泰」，疑點，可能為「多模態」之誤聽。
• 推移程度 / Hide推理程度：原文「V4.1 Flash High的推移程度」、「调到Hide推理程度」，疑點，應指「推理程度」或「High」級別。
• Hannis：原文「DeepSeek的Hannis」，疑點，可能是特定工具名稱或誤聽。
• 亲密上合图 / 清明上和图 / 清明上河图：原文多次出現變體，應指 清明上河圖。
• 赵太臣家 / 赵太成家：原文招牌文字，疑點，可能為「趙太公家」或特定店名。
• 九楼的傲层：原文「切换到九楼的傲层」，疑點，可能是「九樓的屋頂」或特定場景名稱。
• 3GS的Skill：疑點，可能是特定技能名稱。
• 圆码GS：原文「圆码GS就有9000多行」，疑點，可能是「代碼」或特定工具。
• 北宋的木构：原文「三个代理分别负责纹理、北宋的木构、还有船车牲畜树木」，疑點，可能是「木構」或特定結構名稱。
• 半公椅：原文「半公椅」，疑點，可能是「辦公椅」或「公共椅」。
• 绚缆：原文多次出現「绚缆」，疑點，可能是「渲染」或「線框」之誤聽。
• Glock 4.6：原文「Glock 4.6」，疑點，可能是 Grok 或其他模型名稱。
• 微微页面：原文「微微页面」，疑點，可能是「網頁」或「微頁面」。
• 六角堵头：原文「六角堵头」，疑點，可能是「六角螺帽」或特定零件。
• SCID：原文「手表SCID的还原」，疑點，可能是「Scene」或特定格式。
• OpenSED：原文「来到OpenSED」，疑點，可能是 OpenScene 或其他工具。
• 模尺：原文多次出現「模尺」，疑點，可能是「模型」或「幾何體」。
• 放射：原文「再换一个放射」，疑點，可能是「放射狀」或特定幾何形狀。
• 塔形：原文「塔形」，疑點，可能是「塔形」或特定幾何形狀。

可延伸追問

1. DeepSeek V4.1 Flash 的「High」推理程度具體指什麼技術參數？與標準模式有何差異？
2. 「Hannis」工具在 DeepSeek 生態系統中的具體功能與定位為何？
3. 為何在下午高峰期測試？網絡延遲或伺服器負載是否對推理速度有顯著影響？
4. 與 GPT、Grok、Astro、Fabro 5.1 等模型相比，DeepSeek V4.1 Flash 在成本與質量上的具體權衡點為何？
5. 對於數學與幾何任務的弱項，是否有特定的提示詞工程或後處理方法可以改進？
6. 「3GS Skill」與三個 Agent 的協作機制是如何運作的？