逐字稿文字預覽
OK DeepSeek V4.1 Flash终于来了 等我这个视频发出来的时候 都来了花几天了 但来得真不是时候 因为这两天我都在用自己部署的 前问3.82GB 还没捂热 反正主机其实已经捂得很热了 热都不得了 一个Prompt发过去 他就已经把我的房间给做成桑拿了 所以这个主机现在 我已经搬到另外一个房间去了 但不管怎么样 V4.1这个模型 我个人还是非常期待的 因为网上看到都是说它什么速度变得巨快 什么能力超过V4 Pro 这就把我的期待拉得很高 一个跨度为0.1的小版本更新 小弟直接把大哥给干翻了 到底是不是真的有这么神奇 我自己是到今天为止是实际测试了五天 实际把我各种工作流 把我平常干的事情全都接进去用了 实际也是登了个好几亿Token 终于可以说有了点真正的感受 代价就是等我这个视频发出来的时候 可能热度已经无了 但没关系 我们本身就是唠嗑视频 随意一点 首先其实这张图就非常好的总结 除这个模型到底是对我来说好用还是不好用 这个是我个人的OpenCode的用量的图 你可以看到很明显 黄绿色的是之前的DeepSeek V4 Flash的用量 自从涨价之后我就没怎么用了 虽然一天是有个小几刀 主要是用来配置本地模型 和做一些矩阵测试的时候 还有就是应急的时候用 然后这几天粉色的几个就是DeepSeek V4.1 Flash 可以看到它的用量又在逐渐长回来了 主要是OpenCode现在它是限时4倍用量 回到了以前快乐的时光 首先这一次V4.1的更新 让大家最能一下子就感觉到的就是它的速度 我看到一个说法很喜欢 DeepSeek V4.1 Flash 它快的跟腹泻一样 我以前经常用便秘这个比喻形容 本地模型的速度很慢 450 tokens 每秒 那就是一种便秘的感觉 它也拉不出来 加把劲儿可能可以拉出来 但就是不顺畅 不舒畅 不丝滑 当然这个就是跟DeepSeek V4 Flash比起来 毕竟DeepSeek V4 Flash是我用的最多的模型 它的速度对于我来说就是一个基准 在OpenCode上面 它的输出速度大概是150tokens 每秒左右 对我个人也是一个非常舒畅的速度 而到了DeepSeek V4.1 Flash 它的输出速度基本上是230-250tokens 每秒以上 有的都快是快接近300tokens 每秒了 所以它给你的体感真的就是一种 窜稀式输出的感觉 你的眼睛根本跟不上它的操作 就那工具的调用速度 你还没回过神来 这一页已经被它刷满了 那么速度快是快了 究竟好不好用 它做出来的工作好不好 首先因为我最近在研究DeepSeek Harness 我自己也是逐渐在把工作流迁移到上面去用 所以这回我也是直接在DeepSeek Harness里面 把它配置好 然后继续我的各种本地AI的测试 第一个任务 我想让它先理解一下我的项目 我的DeepSeek Harness是放在云端服务器上 和我的Hermes 以及我整个Gateway 本地的Gateway是运行在服务器上的 但是像Llama, NInfer这些配置 是在我本地的4090主机上面 稍微有点复杂 但其实也是本质上很简单的任务 所以我就在之前一个用DeepSeek V4 Flash 跑了好几轮的Session里面 热切换成DeepSeek V4.1 Flash 让它去把最新的配置拿出来了解一下 然后我立马就遇到了第一个问题 V4.1就立马开始窜稀 240 tokens每秒 我的页面开始疯狂的滚动 但是我盯着它盯了三分钟 工具调用了几十次思考了几十回 连一个字都没有吐出来 我觉得就有点不对劲了 我把它停掉了 然后我就开了一个新的回话 用同样的指令切换成本地的千问 说你帮我拉一下我的Lama的配置 然后本地千问是输出100多token是每秒 一分钟就帮我查出来了 也是理解了整个项目 然后我就意识到 可能是我旧Session的上下文污染了 所以我又从开了一个回话重新试了一次 这回的速度就非常快 一共只用了30秒 token的速度也有2700 它真正干活成功的时候 那个速度真的是飞一般的感觉 所以这里首先有一个问题 就是说模型的能力再强 如果你给它的指令或者上下文不对 或者有污染 你是没有办法指望它帮你把事情干好的 虽然我以为之前Session 毕竟都是跟DeepSeek V4聊的 而且里面有比较重要的信息 所以继续的话 我硬切照理来说 它应该是能干得更好的 毕竟V4.1也是一个100万上下文的 我以前用V4什么的 也是直接各种硬切 或者是在Codex里面 我就是用GPT 5.6 sol做一个巨大的plan 和写一个非常详细的tasks 然后在同样的会话里面 我直接硬切Luna 让它继续执行 我基本上都是这么用过来的 也没觉得有遇到什么问题 只不过这一次结果 让我开始重新审视了一下 这个用法到底对不对 因为毕竟其实Codex里面 它也是有提醒你的当你硬切模型的时候 它说你这个在会话中去硬切模型的话 你之后的会话质量可能会下降 但这个先不展开说了 这是另外一回事 就当我以为 接下来可以和网上大家说的一样 起飞的时候 我用着又遇到了问题 就几轮用下来 当然都是新开Session 我感觉跟他说话 他似乎不理解我的意图 就是我一个任务下达下去 他不是说看好技能 然后就直接开干了 经常就是我下达一个任务之后 他扫眼技能 然后居然读了一个不正确的技能 紧接着可能是觉得这个技能没什么卵用 还是怎么回事 他就开始去爬我过往的Session的历史记录 爬完这个Deep Seek Harness里面的记录 他还不甘心 还要跑去隔壁的Hermes那边 把Hermes的记录也爬出来读 而且不是偶然的现象 就经常这样 这就很奇怪 因为同样是在Deep Seek Harness里面 我用千问3.827b的时候 我用的方式也没有变 我一直以来都是这个派发任务的方式 就千万速度慢慢点 但是我让他去干个活 他都是读了Skill 然后就去干活 然后一次性把活干好 给我汇报 就算有问题 弄两个来回 都能干好的 从来没有过让他去干活 他嘴上说好的 然后结果开始就是翻历史 Session 这是我见的没见过的 所以我就隐隐约约有个感觉 不一定对就是我的体感 就是Deep Seek V4.1 Flash 这个模型 我上下文如果给的 不是那么准确的话 它是好像有一个内在的动力 就是要自己去调查清楚 然后再开干的这样一个性格 可能是好事 因为他这样子能把事情干好 这样的就搞得每次都要 我跟他说 你先去看相关Skill 看完Skill再去干 这样用起来就很蛋疼了 仿佛就是像在用上一代的Agent那种感觉 而且不是说他事情办不完 就是如果我把任务丢给他 他确实仍旧 甚至是可以在比Deep Seek V4.1 Flash 还有更快的情况下 把任务给干完的 即便就是多出了很多 在我看来很奇怪的工具调用 因为他的速度是真的快 所以在能干很多活的情况下 干得比别人还快 从结果角度来看 他干活干的也是很周到 就是各方面都会考虑到 如果有出现就是改了一个bug 然后出现回归的情况 他都是能顺手 在那个轮回里面处理好的 总之就是能力上是完全没有问题的 就是干事情的方式 让我觉得很奇怪 具体一点 比如说我想让他配置一下 我本地模型的一个框架 他居然起手 真的就是去Hermes我们的聊天数据库里面 自己去暴力搜索 我那个数据库可是接近两个G 几十万条信息 上千轮的对话数据 他就是窜稀是暴力搜索了10分钟 然后自己找到了相关的信息 拿出来问我 你是不是这个 还说你要确定一下 我怕我改错文件 我确认之后他才真正开始干活 就进入这个干活的状态之后 确实是一点问题都没有了 然后这个现象不仅仅是出现在 就写代码的活上 就是包括做文字类的工作 也是同样的情况 就像这样一个简单的 我一直在做的这种写稿的任务 如果我有片已经是这样 口述的稿件的情况下 通常其他模型 我直接发给他 包括V4或者本地的 千问3.87b这个模型的时候 我就是会说我要继续稿件 然后他们就是会很清楚的 继续我之前的任务 但是不知道为什么 这就是个情况下 V4.1居然还有32次工具调用 干嘛呢 我把它那32次工具调用展开来看了一下 里面有12次 又在跑我过往session内容 当时我就一个想不通了 就你速度快是快 token也是比之前便宜是便宜 每做一个任务都要回去翻过往session内容 这不太合适吧 就以防是我这个DeepSeek harness出了什么问题 我就用同样一个prompt 我换成V4 flash 它是只用5次工具调用和30秒 直接进入工作状态 这才是我熟悉的DeepSeek 于是我不信邪就开了好几个session 发同样的prompt 其中有一个session DeepSeek V4.1是直接直到黄龙 只花了20秒就进入状态了 到这里如果是想感觉第一天就把视频发布的话 我的视频画风就会变成 DeepSeek V4.1 窜稀非常地快 但快的没有用 非常不稳定 行为很奇怪 巴拉巴拉讲一大堆 但是我一直以来的关键就是 没有垃圾的模型 只有不会用的人 特别是在线上API dpc v4 flash之后 以及本地模型 千问3.827b这个模型之后 同档次的和之上的模型 已经不存在人工智障这个概念了 因为这些模型已经比世界上99.9%的人要聪明 要能干 还要快了 所以如果我觉得它不好用 那1%是我的用法有问题 所以我又把这几天吃回了的Hermes 给叫了出来 因为这几天我真的都是在研究DeepSeek harness 就有点懒落Hermes了 换回Hermes之后 dpc v4 flash的整个体验 立马就不一样了 以前那种呼风唤雨 指哪打哪的感觉又回来了 而且体感的就是比之前的v4 flash能力要强很多 速度也要快很多 所以为了把DeepSeek V4.1给用好 我又把整个工作流迁回到了Hermes上面 这几天我就是在Hermes上面开了40来个会话 5000多条消息 完完整整的把它再用了一遍 处理的内容就包括我平常做的写稿 改稿 配图 后面还包括继续举行测试 1380 b的新框架 还有它的并发优化 之后还有去改造的Hermes的desktop 我还让它去改我各种网站的前端 还有我自己做的一个电商的后台 除了这些小任务之外 还有一个比较巨型的 就是我最近把我的云端服务器给搬家了 从一个服务器搬到了另外一个服务器上面 而且是连服务商都变的那种 这就是一个相当复杂的工作了 如果是要我自己去干的话 我觉得估计得至少两三天起 我一个星期都有可能的 因为要从头到尾所有东西都要重装一遍 但是这回我自己是除了开通一个新的账号和付款之外 没有动一根手指头 全都丢给DeepSeek V4.1 flash去做 它大概是从早上5点一直干到下午2 3点 然后完美的把整个事情给做好了 所以整个体验下来确实有点奇怪 用DeepSeek V4.1的时侯我觉得它就是一个串天猴 速度是快得不得了 但是感觉就驾驭不住 切回到Hermes之后 它居然又变得那么好用 甚至是我现在在Hermes上用过的最好的模型了 我自己也还没有个结论 但是我这里又要说一句 大概率不是因为DeepSeek V4.1的不行 而是我现在的工作流和个人的用法 目前还是更适合Hermes 毕竟Hermes我都养了这么久了 早就成精了 DeepSeek V4.1才刚用没几天 虽然我自己在后端已经把他们的技能数融合在一起了 但是他们可能是在兼容上兼容性上有点问题 反正就有点不太对劲 所以接下来我还要再多研究一下DeepSeek V4.1的用法 最后我们回到开头的那张图 一个模型的价格 它是高是低 它的能力是好是坏 我们每个人每一个时刻的感受都是不一样的 是会随着时间的推移发生变化的 但API的用量是很真实的 好用 性价比高 就是会用的多 前提是你用对的方式 毕竟我们每个人都有自己不同的工作流 有的人觉得一个模型很好用 有的人觉得一个模型很垃圾 这都很正常 就连在我自己的工作流里面 我只是换了个Harness而已 我对这一个模型 deepseaqv4.1flash的感受也是天上地下的 一开始用了觉得什么窜稀玩意 后来又觉得好用不得了 也有可能你用DeepSeek harness接4.1flash 你会觉得好用的不得了 然后你会用Hermes觉得很难用 我觉得也是很正常的 毕竟也没有法律规定 所有的人都必须用同一个模型 必须用同一个Harness 所以我也是非常好奇你们的体验 欢迎你留言和大家分享 有关关系的大家听我唠嗑我们 谢谢再见
本次執行流程與問題處理
下達指令
預期流程
- 採用來源字幕（略過語音辨識）
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：15.3 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：44.2 秒
關係：依序執行
結果：完成
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：0.3 秒
關係：依序執行
結果：完成
4. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.3 秒
關係：依序執行
結果：完成
5. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.4 秒
關係：依序執行
結果：完成
6. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.4 秒
關係：依序執行
結果：完成
7. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.4 秒
關係：依序執行
結果：完成
8. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：108.3 秒
關係：依序執行
結果：完成
9. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.4 秒
關係：依序執行
結果：完成
10. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.5 秒
關係：依序執行
結果：完成
手動來源字幕
自動來源字幕
Whisper 字幕
- 尚未產生
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.source.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 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。；RAPID_REVIEW_STATUS=REVIEW_REQUIRED_INVALID_OUTPUT
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。
- 音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。