start	end	text
0	23400	大家好,歡迎來到新視頻。開始之前,我也想告訴大家,Deepseek的Harness也有新更新。我會在另一個頻道,ARC King上講。Deepseek V41 Flash現在已經正式發布了。
23400	31380	经过我用正确的Thinking设置测试后
31380	38620	我觉得这个模型真的很强
38620	42960	另外还有一份技术报告
42960	45940	解释DC是怎么让这个模型更高效的
45940	47760	先看看到底新在哪
47760	50720	然后我会给你看这些生成结果
50720	53860	以及我给这些分数背后的代码
53860	59440	Deep C把Flash称作新架构家族里最小的模型
59440	64240	但报告里写的是
64240	68000	它的主干是一个5520亿参数的Mix of Experts
68000	71180	再加上1960亿参数的Ingram Memory Modules
71180	72980	它还是个巨大的模型
72980	75900	真正有意思的是它实际激活了多少参数
75900	78300	处理输入时大约激活80亿参数
78300	80140	生成输出时则是160亿
80720	82580	新的英国编码器解码器设计
82580	86140	让大多数输入token可以跳过完整的decoder计算
86140	87380	这很重要
87380	89720	因为coding agents会花很多时间读文件
89720	91080	看工具结果
91080	92120	还有对话历史
92120	93480	Deepsea还表示
93480	95020	在相同工作负载下
95020	98200	Global Attention Cache的GPU显存用量
98200	99960	大约只有上一代的四分之一
99960	103500	Persistent Cache的存储占用只有八分之一
103500	106600	这些节省都适用于缓存的上下文
106600	109220	它们有助于解释更低的服务成本
109220	112760	但并不意味着整个模型一下子变小了
112760	114040	原生视觉理解意味着
114040	116080	你可以把图片和文字一起发过去
116080	117580	收到文字回复
117580	120500	我这里的测试主要是看它在文本提示下
120500	121400	写代码的能力
121400	124160	所以视觉能力算是这次发布的一部分
124160	125960	而不是我在这个视频里
125960	127500	专门做过基准测试的内容
127500	129860	官方公布的结果也挺有说服力
129860	134020	DeepSeek报告的DeepSW1.1成绩是74.2
134020	136700	而V4 Pro是62.7
136700	140120	这里说的是他们在最高投入下的结果
140120	142500	在一些更难的基准测试上
142500	143900	其他模型还是领先
143900	145640	而且报告也显示
145640	148860	围绕模型的agent软件会影响最终分数
148860	152080	所以我想看看它在开源代码里能做什么
152080	152780	现在
152780	154920	我得纠正一下我最初的印象
154920	157600	我原来那篇开源代码模型的条目里
157600	159360	Thinking是被禁用的
159360	161300	我一开始怀疑这是回退了
161300	161580	不过
161580	164380	开启Thinking并把effort调到最高后
164380	168500	分数从53.75提升到了81.25%
168500	170580	保存的绘画里有大量推理输出
170580	172300	生成结果也明显更好了
172300	174860	这些测试是在今天发布前
174860	176740	使用临时的API模型跑的
176740	179300	我还没有用新的正式版模型名
179300	180500	重新跑一遍套件
180500	183140	这些是我上手预览的结果
183140	184840	外加官方发布信息
184840	186860	我没有证据表明
186860	189780	DIPS在第一轮偷偷用了一个更弱的版本
189780	192240	Teambench 3有8个任务
192240	193540	每个任务10分
194380	201640	这是我的实际评分,我还打开了生成出来的界面,检查了代码并保留了原始输出,那我们直接开始。
202360	206360	首先是电梯模拟,这里应该有三部电梯,每部在一个人。
207160	216480	人们在不同楼层等待,乘坐空闲的电梯,前往各自的目的地,把鼠标悬停上去时,应该能显示他们想去哪里。
217000	220540	看新的结果,楼洞布局很清楚,三部电梯警都显示出来了。
220540	222720	乘客也在各自楼层排队
222720	224680	你可以看到人们上车的过程
224680	226900	还能看到等待运行中和
226900	228140	以到达的技术在更新
228140	229900	在浏览器里检查时
229900	231520	生成了两批个24个人
231520	233360	两批加起来数量都对
233360	235340	48名乘客全部到达
235340	237840	而且任何时候都没有一部轿箱
237840	239260	同时在超过一个人
239260	240460	技术器
240460	242900	在这次运行里也一直保持一致
242900	243580	之前
243580	245680	舱室会消失在屏幕外
245680	247280	人也会被画到错误的位置
247280	250120	新代码还会清理已经完成的乘客元素
250540	252080	这对重复使用很有帮助
252080	254100	现在还有一个重置边缘情况
254100	255880	如果你在错开的生成
255880	257280	还在进行式清空模拟
257280	259980	之后可能还会出现一些带处理的乘客
259980	262620	但主要模拟已经能正常工作了
262620	265140	这部分从三分提升到了十分里的八分
265140	267340	第二个任务是隐形眼镜盒
267340	268900	我想要一个3D物体
268900	270640	L和耳标时要很明显
270640	271780	盖子点击后能打开
271780	273660	这个版本就可信多了
273660	275480	现在有一个干净的白色和尘
275480	276860	薄荷绿的盖子
276860	278720	还有大号清晰可读的字母
278720	280640	两个盖子可以分别打开
280640	283900	而且两个都打开按钮也确实如字面所示
283900	285820	你也可以再把它们关上
285820	287800	然后旋转这个物体来查看
287800	289420	之前的版本还有
289420	290920	字母有些破碎
290920	294080	但在盖子下面能看到一个看起来很实的表面
294080	296580	这里的结构是围绕脚链组织的
296580	297880	所以动作逻辑就对了
297880	300220	虽然内部空间看起来还是有点浅
300220	303820	而且默认镜头在盖子完全打开时会把边缘裁掉
303820	305840	所以还需要再打磨一下
305840	308120	但这已经比提示词的理解好多了
308120	309800	七分原来只有五分
309800	311380	接下来是折叠桌
311380	314760	这在第一次生成时是最明显的失败之一
314760	316740	因为桌面是飘着的
316740	317980	桌腿还埋在地下
317980	320900	这次展开后的桌子稳稳地立着
320900	322140	能看到四条腿
322140	323820	木质表面也不错
323820	325260	滑块反应很顺
325260	328840	折叠部件也能作为一个整体保持在一起
328840	331800	看看这两个结果的差别就知道了
331800	335500	这段代码把腿连接到了合适的运动部件上
335500	337640	解决了前面那个核心问题
338120	340720	不过在完全折叠的状态下还是会扣分
340720	344260	腿部横杆会和叠在一起的桌面板块相交
344260	348400	所以整个机构并没有从头到尾都做到物理上干净
348400	350520	我给它六分 满分十分
350520	351760	它确实有进步
351760	355480	但也很能说明模型还有哪些地方需要继续检查
355480	358340	第四个任务是熊猫吃汉堡的SVG
358340	359980	这个版本构图更干净
359980	362760	表情也更生动 汉堡的层次还挺清楚
362760	365380	爪子和一点点碎屑也增加了些趣味
365380	366520	它是一幅锦凑
366520	367900	完整的插画
367900	369280	而且渲染的也正确
369280	371200	剩下的问题是动作表现
371200	373300	看起来更像熊猫抱着汉堡
373300	374320	而不是在咬它
374320	376580	所以我更喜欢这张插画
376580	378740	但它还没有完全抓住那个动作
378740	380540	这个提示词打了六分
380540	381340	之前是五分
381340	382880	现在这个弓箭游戏
382880	384660	在视觉上是最明显的提升之一
384660	386540	我们有日落场景
386540	387900	背景里的群山
387900	389060	一个弓箭手
389060	390020	四个目标
390020	392700	还有一个清晰的计时器
392700	394580	拖动瞄准在松手
394580	397680	感觉更像真正的射箭游戏了
397680	400020	核心射击流程是通的
400020	402280	在浏览器检查里
402280	404400	四只箭都命中了四个目标
404400	407360	目标被击中后也倒下了
407360	408780	游戏内计时期显示
408780	411440	这一轮四箭用了6.10秒
411440	413500	这说的是游戏玩法表现
413500	416540	和模型生成游戏所花的时间是分开的
416540	418460	我的评分表上这是8分
418460	419840	比之前的5分高了不少
419840	421940	不过代码审查也发现了一个
421940	423020	我必须说明的bug
423020	425400	这样就不会弹出结果页面了
425400	426980	所以在纳斯检查里
426980	428540	分数没能保存
428540	430840	射击分为合命中反馈都不错
430840	432780	但完成流程还需要修
432780	434820	这也是为什么不能只看低评
434820	437640	第六个任务是那个数学题
437640	440080	考的是在受限移动条件下
440080	442560	统计有序对的排列数
442560	445120	预期答案是20460
445120	447240	这次保存的绘画里
447240	448540	最终答案很清楚
448540	449460	而且是对的
449460	451880	还有一个SOVER可以再跑一遍
451880	453240	我又跑了一次
453240	455600	结果得到了20460
455600	459760	而且和他检查过的小样本上的暴力枚举结果一致
459760	463580	模型发现了自己最初转移逻辑里的一个错误
463580	465440	把它改正了
465440	468700	还先拿小规模暴力样例验证了修正后的算法
468700	470720	然后才给出最终答案
470720	472720	这种解题行为非常有用
472720	475040	所以这是十分里的十分
475740	479440	现在还有一条更清晰的证据链来支持这个结果
492109	495909	这个项目里有一个完成了700次迭代的LORA训练
495909	497409	保持了Adductors
497409	499669	还有一个能正常运行的本地应用
499669	502629	数据集里有151条人工编写的事实
502629	504249	之前版本只有127条
504249	506069	服务方式也更简单了
506069	508889	模型和Adductors通过MLX直接加载
508889	511409	并使用Tokenizer的Chat Template
511409	513689	这样就去掉了上一个方案里
513689	515489	额外的导出步骤和手写模板层
515489	516929	界面也挺好看
516929	518529	有一张简单的Panda插画
518529	520349	一个清晰的事实卡片
520349	522169	还有一个生成新试试的按钮
522169	525129	布局在手机上也能正常显示
525129	527529	刷新页面和点击按钮
527529	530069	都可以生成新的内容
530069	533269	在评审过程中模型产生了回复
533269	535449	五个样本身程度很干净
535449	537369	是完整的单据
537369	540229	没有我们之前看到的那些多余标记
540229	543349	两次本地直连请求各花了大约半秒
543349	546049	这是本地微调后的GEM模型在回答
546049	548709	和DeepSeek的API生成速度是分开的
548709	550349	我把这个任务打了10分
550349	551449	比之前的6分高
551449	552909	不过还是要说明
552909	554509	数据质量仍然有一些限制
554509	555869	所有验证答案
555869	557429	其实都已经出现在训练集中
557429	559509	测试文件是复制的训练性
559509	562349	而且有些人工编写的事实并不准确
562349	563649	在评审过程中
563649	565729	Refresh还重复了一条事实
565729	567849	所以完成整个工作流
567849	569329	并不能说明
569329	571729	每个生成出来的Panda结果都可靠
571729	574629	但能把训练和本地应用这样跑通
574629	575749	还是很厉害的
575749	577509	最后是这只手表
577509	579829	这大概是我改观的最佳视觉证明
579829	582529	第一版的表盘还是一整块金色表面
582529	584669	现在有了更细致的表盘
584669	586289	清晰的指标金属表带
586289	588329	能读的星期和日期窗口
588329	589189	汇动的指针
589189	591409	还有一个第二时区的小表盘
591409	593349	整体观感精致多了
593349	594329	交互也没问题
594329	596569	你可以选两个时区互相切换
596569	598409	开关星期和日期显示
598409	600289	还能在扫秒和跳秒之间切换
600289	602149	控制检查也通过了
602149	605169	说明设计下面那些关键部分也没问题
605169	608089	指针在午夜时能准确对齐
608089	610469	梦买的半小时偏一夜
610469	611969	有效了
611969	613829	纽约的下令时切换也正常
613829	616469	第二个时区能正确滚到第二天
616469	618949	代码还附用了时间格式画起
618949	622169	避免像旧版本那样每一针都重复创建
622169	625649	视觉结构和时钟逻辑终于配合起来了
625649	628089	我真的很喜欢这个结果
628089	630289	它从四分涨到了十分
630289	632489	是复册里提升最大的一个
632489	635069	现在我们来看最后的图表
635069	636489	电梯8分
636489	637769	隐形眼镜和7分
637769	638509	桌子6分
638509	639469	SVG6分
639469	640269	射简8分
640269	641489	数学
641489	644169	Fine Tuning Workflow和手表都是10分
644169	645909	总分是65分
645909	646749	满分80分
646749	648349	也就是81.25%
648349	651309	不开启思考时的成绩是80分里的43分
651309	653549	修正配置并重新跑任务后
653549	654909	我们竟提升了22分
654909	656989	也就是27.5个百分点
656989	660589	这个新分数也高于我之前V4Flash的72.5%
660589	663349	以及V4Pro条目的76.25%
663349	664989	它在这个排行榜上
664989	666689	和Gemina3.8Flash打平
666689	667689	只比Open4
667689	669729	8的80%高一点
669729	671369	虽然没排到总榜第一
671369	674549	但这个结果已经非常有竞争力了
674549	675649	再说速度
675649	677009	我看了OpenCode日志
677009	679489	它为这个新的测试文件夹
679489	680769	保存了绘画记录
680769	683449	共有64条已完成的模型回复
683449	685989	有可用的Token数和时间记录
685989	687489	像绘画标题
687489	689289	这类后台调用都被排除了
689289	690989	另外还排除了一条
690989	692809	没完成的Restorch回复
692809	694829	在这些已完成的回复里
694829	697549	一共生成了364574个Token
697549	700469	大约294000个是Risning Tokens
700469	701489	另外大约70
701489	704209	000个是正常生成的Token
704209	708049	包括Code2调用参数和答案等其他输出
708049	708949	所以
708949	712809	这次生成的Token大多都用在了思考上
712809	715569	这两个数字都包含了Risning
715569	718049	它们是根据OpenCode的时间
718049	719709	戳重建出来的估算值
719709	722729	它们不包括后面执行工具花的时间
722729	725549	也不是服务器内部解码速度的精确测量
725549	727809	我把每次响应的时长加总了
727809	729029	所以同时跑多个任务
729029	731369	不会把单次响应速率认为太高
731369	733109	我觉得这很厉害
733109	734909	他一边处理多个任务
734909	737629	一边花了几万tokens做listening
737629	740849	同时还能保持很高的生成速度
740849	744349	完整任务耗时能让你从另一个角度来看
744349	747509	电梯任务大概花了4分20秒
747509	749589	SVG任务大约11秒
749589	752889	本地翻桌的流程大约花了11分38秒
752889	755769	包括搭建环境训练和检查APP的时间
755769	760029	所以最高强度的思考可能意味着成品要等更久
760029	761429	在这次附色里
761429	763829	这些额外的工作带来了结果的大幅提升
763829	765509	这个取舍我很满意
765509	768629	现在API价格已经上线了
768629	769649	非高峰时段
769649	772769	每百万未缓存输入token15美分
772769	775409	每百万输出token60美分
775409	777909	高峰时段输入是30美分
777909	779689	输出是1.2美元
779689	783189	缓存输入在非高峰时段每百万Token
783189	784589	只要0.3美分
784589	786789	高峰时段价格翻倍
786789	789629	我会把当前的价格表面接放在下面
789629	792149	要使用这个已发布的模型
792149	795249	请选择DeepSeek API地址
795249	799149	DeepSeek在支持的工具里列出了OpenCode
799149	801129	记得把Thinking打开
801129	802709	并把Efford设为Max
802709	805469	如果你想看这次回测用的配置
805469	807869	旧的V4 Flash模型已经退役了
807869	810449	API名字会临时录游到V4.1 Flash
810449	815429	V4 Pro的请求会在9月14日UTC凌晨4点开始按Flash价格录游到V4
815429	817809	E Flash直到V4.1 Pro发布
817809	819829	如果你依赖Pro模型名
819829	821389	这个时间点就很重要
821389	825109	Rizni也会消耗可计费的Output Tokens
825109	829389	所以即使把Effort设到最高还是会有成本
829389	834089	不过结合这个定价实测速度和81.25%的结果V4
834089	837249	E Flash还是一个很有吸引力的编程选择
837869	840629	DeepSea还分享了技术报告和模型仓库
840629	842349	并表示他正在于
842349	845229	开源社区在推理支持和部署选项方面
845229	847429	我的看法有了很大变化
847429	849469	因为Max开启了Thinking Mode
849469	852529	这个模型在我的测试里表现得非常不错
852529	855149	尤其是在万表和本地模型工作流上
855149	857169	电梯案例也很清楚地说明
857169	858649	改进不只是界面更好看
858649	860829	不过还有一些bug要处理
860829	862989	表格和SVG的分数较低
862989	865509	说明他并不是每个任务都一样强
865509	867949	但我还是会非常愿意重新看看
867949	869209	他在编码上的表现
869209	871789	配置错误让第一次印象不太公平
871789	874349	这次复色让我们看到了更真实的情况
874349	876289	总体来说挺酷的
876289	877009	总之
877009	879589	欢迎在评论区告诉我你的想法
879589	881569	如果你喜欢这个视频
881569	883129	可以通过Super Thanks打赏
883129	885529	或者点击中按钮成为会员
885529	886369	另外
886369	887729	给这个视频点个赞
887729	888949	订阅我的频道
888949	890489	我们下期见
890489	891009	拜拜