# 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）。
3.  **執行基準測試**：運行 Teambench 3 的 8 個任務。
4.  **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。
5.  **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。
6.  **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？