影片筆記：DeepSeek V4.1 Flash实测：200+ TPS、碾压Astra？新架构也太猛了

<!-- 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

影片實測 DeepSeek V4.1 Flash 模型，透過啟用「Thinking（思考）」模式並將 Effort 調至最高，成功在編程基準測試中獲得 65/80 的高分，表現超越舊版 V4 Flash 與 V4 Pro，並詳細分析了其新架構、API 定價策略及與 OpenCode 工具的整合。

核心重點

• 模型發布與架構革新：DeepSeek 發布 V4.1 Flash，採用 5520 億參數 MoE 結合 1960 億參數 Ngram Memory Modules。輸入時僅激活 80 億參數，輸出時激活 160 億參數，並透過特定編碼器解碼器設計及 Global Attention Cache、Persistent Cache 優化顯存效率。
• 測試配置關鍵：必須開啟「Thinking」模式並將 Effort 設為最高（Max），才能發揮模型潛力。未開啟思考模式時分數僅為 43/80。
• 基準測試表現：在 Teambench 3 的 8 個任務中獲得 65/80 分（81.25%）。此成績高於 V4 Flash (72.5%) 與 V4 Pro (76.25%)，並與 Gemini 3.8 Flash 打平。
• 任務細節分析：
• 優秀表現：數學題（10/10，展現自我修正與驗證）、本地 Panda 微調工作流（10/10，完成 LoRA 訓練與部署）、手錶 UI（10/10，視覺與交互邏輯佳）。
• 一般表現：電梯模擬（8/10，有邊緣情況 Bug）、弓箭遊戲（8/10，結果頁面未彈出）、隱形眼鏡盒（7/10，鏡頭裁切問題）、折疊桌（6/10，折疊碰撞問題）、熊貓吃漢堡 SVG（6/10，動作不精準）。
• API 定價與使用建議：
• 定價分高峰/非高峰時段，非高峰緩存價格極低（0.3 美分/百萬 Token）。
• 建議使用者必須開啟 Thinking 並設 Effort 為 Max。
• 注意 V4 Pro 模型名的過渡時間，API 名字會臨時路由到 V4.1 Flash。

詳細大綱

1. 模型發布與技術架構

• DeepSeek V4.1 Flash 正式發布。
• 參數架構：
• 總參數：5520 億參數 MoE。
• 記憶組件：1960 億參數 Ngram Memory Modules。
• 激活機制：輸入時激活約 80 億參數，生成輸出時激活 160 億參數。
• 效率優化：
• 採用新的英國（疑點）編碼器解碼器設計。
• 引入 Global Attention Cache 與 Persistent Cache 以節省顯存。
• 具備原生視覺理解能力。

2. 基準測試方法論與配置糾正

• 測試環境：使用臨時 API 模型運行套件，非最終正式版重跑。
• 配置糾正：
• 初始配置為「Thinking 禁用」，導致分數較低。
• 修正後配置為「開啟 Thinking 且 Effort 設為最高」。
• 評分標準：使用 Teambench 3，包含 8 個任務，每題 10 分，總分 80 分。

3. 具體任務測試結果分析

• 電梯模擬 (8/10)：結構清晰，乘客邏輯正確，但存在邊緣情況 Bug。
• 隱形眼鏡盒 (7/10)：3D 結構可信度提升，但鏡頭裁切與內部空間仍需打磨。
• 折疊桌 (6/10)：物理結構改善，但完全折疊狀態下仍有碰撞問題。
• 熊貓吃漢堡 SVG (6/10)：視覺構圖進步，但動作表現（咬漢堡）不夠精準。
• 弓箭遊戲 (8/10)：遊戲流程通順，但存在結果頁面未彈出的 Bug。
• 數學題 (10/10)：展現強大的自我修正與驗證能力（暴力枚舉驗證）。
• 本地 Panda 微調工作流 (10/10)：成功完成 LoRA 訓練、本地部署與 Web 界面生成，但數據質量有局限。
• 手錶 UI (10/10)：視覺細節與交互邏輯大幅提升，代碼優化良好。

4. 總體評分與性能對比

• 總分：65/80 (81.25%)。
• 對比結果：
• 高於 V4 Flash (72.5%)。
• 高於 V4 Pro (76.25%)。
• 與 Gemini 3.8 Flash 打平。
• 只比 Open4 8 的 80% 高一點。
• 速度分析：大量 Token 用於思考（Thinking Tokens），單次響應速度快，但完整任務耗時較長。

5. API 定價與使用建議

• 定價策略：
• 分高峰/非高峰時段。
• 輸入/輸出 Token 不同價格。
• 非高峰緩存價格極低（0.3 美分/百萬 Token）。
• 使用建議：
• 必須開啟 Thinking 並設 Effort 為 Max。
• 注意 V4 Pro 模型名的過渡時間。
• API 名字會臨時路由到 V4.1 Flash。

工具 / 模型 / 名詞整理

• DeepSeek / Deep-C / Deepsea / DeepSeq / DeepSW1.1：影片逐字稿中出現的多種變體，指代同一模型系列。
• V4.1 Flash：本次發布的主要模型版本。
• V4 Flash：舊版模型，已退役。
• V4 Pro / V4.1 Pro：高階模型版本。
• Gemina 3.8 Flash：對比模型（疑點，可能指 Gemini）。
• Open4 8：對比模型（疑點，可能指 GPT-4o 或其他）。
• Mix of Experts (MoE)：模型架構類型。
• Ngram Memory Modules：模型組件。
• Global Attention Cache：技術組件。
• Persistent Cache：技術組件。
• Teambench 3：測試基準套件。
• OpenCode：講者使用的開發/測試工具。
• JM2B：提及的微調模型大小（疑點，可能指 2B 參數模型）。
• LoRA：微調技術。
• Adductors：提及的庫或組件（疑點，可能指 HuggingFace Transformers 或其他庫）。
• MLX：用於加載模型的框架。
• Tokenizer：用於處理文本的組件。
• Chat Template：對話模板。

操作流程整理

1. 準備測試環境：使用臨時 API 模型運行測試套件。
2. 配置模型參數：

• 將 Thinking 模式設為「開啟」。
• 將 Effort 設為「最高」（Max）。

1. 執行基準測試：運行 Teambench 3 的 8 個任務。
2. 監控與記錄：

• 記錄各任務得分。
• 觀察 Token 消耗（特別是 Thinking Tokens）。
• 記錄響應時間與完整任務耗時。

1. 結果分析：

• 計算總分（65/80）。
• 與 V4 Flash、V4 Pro、Gemini 3.8 Flash 進行對比。
• 分析特定任務（如數學、UI、遊戲）的優缺點。

1. API 使用建議：

• 確認 API 路由至 V4.1 Flash。
• 根據高峰/非高峰時段選擇最佳使用時間以節省成本。

值得注意的限制或風險

• 配置依賴性：若未開啟 Thinking 或未將 Effort 設為最高，模型表現會大幅下降（從 65/80 降至 43/80）。
• Token 消耗：大量 Token 用於思考過程，雖單次響應快，但完整任務耗時較長，需考慮成本。
• 邊緣情況 Bug：即使在高分任務中（如電梯模擬、弓箭遊戲），仍存在邊緣情況或特定功能未彈出的 Bug。
• 數據質量局限：本地 Panda 微調工作流雖成功，但數據質量存在局限。
• 模型名過渡：V4 Pro 模型名存在過渡時間，API 名字會臨時路由，需注意版本兼容性。

逐字稿辨識疑點

• Deep Stick / Deep-C / Deepsea / DeepSeq / DeepSW1.1：逐字稿中對 DeepSeek 的拼寫不一致，需查證是否為口誤或不同產品線。
• 英國編碼器解碼器：原文為「新的英國编码器解码器设计」，「英國」疑為口誤或聽寫錯誤，需查證是否指「Encoder-Decoder」架構的特定名稱或誤聽。
• JM2B：原文為「微调一个JM2B模型」，「JM」疑為拼寫錯誤或特定模型縮寫，需查證。
• Adductors：原文為「保持了Adductors」及「模型和Adductors通过MLX直接加载」，「Adductors」疑為聽寫錯誤，需查證是否為某個 Python 庫（如 transformers 或其他）。
• Gemina 3.8 Flash：原文為「和Gemina3.8Flash打平」，「Gemina」疑為「Gemini」的拼寫錯誤。
• Open4 8：原文為「只比Open4 8的80%高一点」，「Open4 8」疑為「GPT-4o」或其他模型的誤聽。
• Restorch：原文為「排除了一条没完成的Restorch回复」，「Restorch」疑為「Response」的聽寫錯誤。
• Risning Tokens / listening：原文多次出現「Risning Tokens」及「花了几万tokens做listening」，「Risning」疑為「Thinking」的聽寫錯誤；「listening」疑為「Thinking」的聽寫錯誤。
• 复册：原文為「是复册里提升最大的一个」，「复册」疑為「復測」或「測試」的聽寫錯誤。
• 附色：原文為「在这次附色里」，「附色」疑為「復測」或「測試」的聽寫錯誤。
• 录游：原文為「API名字会临时录游到V4.1 Flash」，「录游」疑為「路由」的聽寫錯誤。
• 梦买的半小时偏一夜：原文為「梦买的半小时偏一夜」，此句語意不明，疑為聽寫錯誤，需查證是否指時區偏移或時間設置。
• 汇动：原文為「汇动的指针」，「汇动」疑為「活動」或「移動」的聽寫錯誤。
• 扫秒和跳秒：原文為「在扫秒和跳秒之间切换」，「扫秒」疑為「秒針」或特定計時方式的誤聽。
• 技术器：原文為「技术器在这次运行里也一直保持一致」，「技术器」疑為「計時器」的聽寫錯誤。
• 舱势：原文為「之前舱势会消失在屏幕外」，「舱势」疑為「乘客」的聽寫錯誤。
• L和耳标：原文為「L和耳标时要很明显」，此處語意不明，疑為聽寫錯誤。
• 脚链：原文為「这里的结构是围绕脚链组织的」，在隱形眼鏡盒任務中出現「脚链」，疑為「結構」或「鏡片」的聽寫錯誤。
• SOVER：原文為「还有一个SOVER可以再跑一遍」，「SOVER」疑為「Solver」或「Server」的聽寫錯誤。
• 单据：原文為「是完整的单据」，在描述代碼輸出時出現「单据」，疑為「代碼」或「結果」的聽寫錯誤。
• 画起：原文為「代码还附用了时间格式画起」，「画起」疑為「劃分」或「處理」的聽寫錯誤。
• 深夜：原文為「有效了纽约的下令时切换也正常」，「下令」疑為「夏令」或「時區」的聽寫錯誤。
• 复册：原文為「是复册里提升最大的一个」，疑為「測試」或「復測」。
• 附色：原文為「在这次附色里」，疑為「測試」或「復測」。
• 录游：原文為「临时录游到」，疑為「路由」。

可延伸追問

• DeepSeek V4.1 Flash 的 Ngram Memory Modules 具體如何與 MoE 架構結合以提升效率？
• Global Attention Cache 與 Persistent Cache 在實際應用中的顯存節省比例為何？
• Teambench 3 的 8 個任務具體內容為何？是否有公開的測試代碼或數據？
• API 定價中，高峰與非高峰時段的具體時間劃分標準為何？
• 為何開啟 Thinking 模式後，單次響應速度快但完整任務耗時較長？這與 Token 消耗有何關係？
• V4 Pro 模型名過渡期間，API 路由的具體機制與潛在兼容性問題為何？