KeyFrame內部研究專用

DeepSeek Finally Fixed Its Biggest Problem (V4.1 Flash 1017 - Fully Tested!)

Prompt Engineering英文
觀看原始影片

三句話摘要

DeepSeek V4.1 Flash 1017 版本實現低價與高效能的結合,首次讓便宜模型在實際任務成本上也更划算。 DeepSeek V4.1 Flash 1017 首次實現低 token 價格與低消耗的雙重優勢,使任務實際成本真正下降,成為當前開源模型中性價比最高的選擇。 便宜陷阱的破局:許多廉價模型因高 token 消耗而成本反高。DeepSeek 過去的 Flash 版本亦如此,此次終於在 token 效率上取得關鍵突破,讓低單價的優勢真正轉化為低任務成本。

重點整理

  1. 便宜陷阱的破局:許多廉價模型因高 token 消耗而成本反高。DeepSeek 過去的 Flash 版本亦如此,此次終於在 token 效率上取得關鍵突破,讓低單價的優勢真正轉化為低任務成本。

  2. 推理設定的報酬曲線:模型提供三級努力等級,實測發現高效能模式已能完美處理推理與網頁重建;最大努力模式雖增加 16% token,但執行時間無異,僅在需要長期迭代的開放式構建中才產生明顯價值。

  3. 視覺理解的創新應用:模型在雙擺動力學分析中展現出色的物理建模能力——自行逐幀追蹤特徵並擬合參數,讓模擬程式自然演化,相比隱藏修正的做法更加透明真實。

  4. 開源模型的實用邊界:在符號距離函數渲染、強化學習、GPU 模擬等領域表現優異且成本低廉,但在精密前端設計(像素級複製複雜頁面、精確視覺排版)上仍不及前沿模型。

實用技巧與重點

  • 模型:DeepSeek V4.1 Flash 1017;推薦 Harness 版本 0.2.1 以上
  • 基準提升:Terminal Bench 31% → 42%;Arena WebDev 排行第一開源模型,落後 Gemini 4o 僅 8 分
  • 成本改善:編碼任務最大努力 50¢ → 20¢;高模式減少 1/3 token;最大努力更優
  • 實測任務與成本:
  • 機器人 RL 演算法(四足行走):22 美分,46 秒學會走路,2 分鐘達成目標
  • 符號距離函數 3D 龍渲染:無需 Blender
  • 銀河碰撞 GPU 模擬(50+ 萬星):自行撰寫程式並驗證能量守恆
  • 公寓地板平面圖:從不完整資料推斷缺失房間尺寸,生成俯視圖與自動導覽
  • 雙擺物理擬合:逐幀追蹤,模擬結果與真實數據相符數秒後自然漂移
  • 推理等級建議:預設用高,開放式構建才用最大
  • 與 Gemini 4o 差異:複雜網頁複製略遜,物理建模更優;均能用向量程式碼重繪圖像(NASA 降落傘超過 1000 行程式碼)

結論

DeepSeek V4.1 Flash 1017 首次實現低 token 價格與低消耗的雙重優勢,使任務實際成本真正下降,成為當前開源模型中性價比最高的選擇。

完整解析

DeepSeek V4.1 Flash 1017 版本表面上是小幅更新,實則成果斐然。儘管模型規模未變,但經過額外後訓練,基準測試全面躍升,Terminal Bench 從 31% 攀升至 42%,達到 OpenAI GPT 4o 水準,且價格優勢明顯。在真人評測的 Arena WebDev 排行榜上,已成為排名第一的開源模型,僅落後 Gemini 4o 八分。

講者重點指出了常被忽視的定價真相:模型成本不只看 token 單價,而是單價乘以任務所需 token 數。此前 DeepSeek Flash 系列雖然單價便宜,但 token 消耗龐大——九月版本甚至需要典型開源模型近兩倍的 token,導致實際成本反而更高。這次更新改變局面,官方資料顯示編碼任務在最大努力模式下成本從 50 美分降至 20 美分,完全源自 token 消耗的減少。講者重新測試了個人基準集合,驗證了高效能模式減少約三分之一的 token,最大努力模式幅度更大。

講者進行了系統性實測,涵蓋多個領域。符號距離函數渲染領域,模型無需任何 3D 軟體即可生成複雜數學定義幾何;強化學習領域,從零開始編寫政策梯度演算法教四足機器人走路,成本僅 22 美分,46 秒內學會直線行走,2 分鐘內達成目標;GPU 計算領域,能自行撰寫引力 N 體模擬程式,並進行物理驗證。視覺能力上,模型展現創新的問題解決思路——分析雙擺動力學時,它逐幀追蹤物理特徵並擬合參數,使模擬程式完全獨立運行,合理地展現物理特性漂移,相比某些競品隱藏修正的做法更加透明。

模型弱點主要出現在精密前端設計。簡單網頁複製能達近乎完美的像素級重現,但複雜頁面如 NASA 首頁上略遜 Gemini 4o。有趣的是,這與 Arena 使用者投票對其設計的接受度形成對比。模型在自行繪製向量圖形方面表現驚人,能用程式碼重現圖像,NASA 降落傘圖案竟需超過千行向量程式碼。

關於三個推理等級的成本效益,講者對 20 項任務進行對比。最大努力模式 token 增加 16%,但執行時間基本相同;在推理與網頁重建上,高模式已達接近完美結果;只有長期開放式構建(地板平面圖推斷與 3D 世界生成)上,最大努力才展現顯著優勢——高模式可能超時,最大努力能持續迭代直到完成。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。