DeepSeek V4.1 Flash实测：一句话生成3D机械表，单任务仅26美分

开箱：一个被低估的开源模型

DeepSeek^广告 的新模型 V4.1 Flash 发布得相当低调，但海外博主在九项实测后给出了一个极高的评价：这可能是目前地球上综合表现最好的开源模型。它的特别之处不在于某一项能力登顶，而在于质量、速度与成本的组合几乎没有短板。

博主的核心测试思路是：用接近真实开发的复杂任务，检验模型的 3D 生成、空间理解、内部知识、多模态视觉、浏览器工具调用和长程编码能力。下面按任务拆解这些测试结果。

3D 生成与空间理解：机械表与折叠屏

第一项测试要求模型生成一个超写实的 3D 机械表图，并在用户悬停零件时显示名称和用途。模型交出的作品名为 Mechanica，表盘、指针、游丝等零件位置准确，光影和阴影随视角变化，秒针、分针、时针都在正常走动。悬停游丝时会显示说明，点击还能高亮居中并放大查看细节。

遗憾之处在于表背缺少自动上链的摆陀，这是博主唯一想改进的地方。除此之外，所有内容都在单个网页中完成，博主用“绝对漂亮”来形容这次输出。

另一项测试是生成折叠屏手机的 3D 模型，要求模型联网理解规格与设计。博主认为结果“无懈可击”：苹果标志、屏幕反光、哑光内屏、按键位置、铰链都正确，对比 Kimi 新模型的同题输出，DeepSeek 明显更好。折叠动画存在点击后短暂移出画面的小问题，但整体完成度极高。

文中“生成 3D 模型”实际指模型直接输出可交互的网页代码（通常是 Three.js 或 WebGL 场景），由浏览器实时渲染出三维物体，而非产出 .obj、.glb 等传统 3D 资产文件。这类任务同时考验空间推理、材质与光照建模、几何布局以及前端工程能力：模型需要在代码中正确设置相机、光源、材质属性和动画循环，任何一处参数错误都会导致穿模、阴影错位或交互失效。悬停显示零件名称则依赖射线检测（raycasting）把鼠标位置映射到具体网格对象，再触发提示框，是检验模型能否把“空间结构”与“交互逻辑”一并组织好的典型场景。

多模态视觉：数糕点背后的推理能力

V4.1 Flash 支持图像输入。博主上传了一张摆满糕点的柜台照片，要求逐个清点。模型耗时 4 分 25 秒，给出 137 个可见糕点的清单，并按种类分别计数，例如橙色马卡龙 24 个、黄油可颂 8 个、奶油角 9 个。博主手动核对马卡龙堆叠，自己数出 25 个，24 这个数字“非常接近且可以争论”。

更关键的是模型的主动推断：它指出马卡龙、可颂和布朗尼存在堆叠，部分被遮挡，因此整个柜台的合理区间约为 130 到 145 个。当博主追问“把看不见的也算上”时，模型补充了约 21 个被遮挡的马卡龙，并解释马卡龙堆呈锥形、底部约 5 到 6 个宽、5 到 6 层高，正面三角形 24 个意味着底层约 19 到 25 个，因此总数 45 个比 24 个更合理。这次追问只用了 23 秒，因为计算已经完成。

速度与成本：Flash 名副其实

在关闭推理努力、要求直接输出千字故事的测试中，模型输出速度约为每秒 125 到 150 个 token。根据 Artificial Analysis 的数据，通过 Lithos AI 可达到每秒 1286 个 token，Base 10 则提供每秒 845 个 token 的推理速度。

价格方面，Lithos AI 上每百万输出 token 收费 60 美分，每百万输入 token 收费 15 美分，缓存命中免费；Base 10 每百万输出 token 收费 1.2 美元，每百万输入 token 收费 30 美分，缓存命中每百万 token 仅 1 美分。

博主重点展示了“每智能任务成本”这一指标，它综合了模型单价与完成任务所需 token 数。Claude Fable 5.1 max 为 7.63 美元，Quinn 3.8 max 为 5 美元，Astra 为 3.26 美元，Kimi K 3.1 pro 为 2.11 美元，而 DeepSeek V4.1 Flash 仅 26 美分。在质量成本帕累托前沿上，它位于最左上方，击败了 Opus 5、Fable 5、GPT 6.1 Soul、Gemini 3.8 Flash、GLM 5.3 Max 等一众模型。

每智能任务成本（cost per intelligent task）是 Artificial Analysis 等评测机构近年推广的复合指标，指模型完成一项给定基准任务所需的平均花费，计算方式为任务消耗的输入、输出 token 数分别乘以对应单价后求和。它比单纯的“每百万 token 单价”更贴近真实使用场景，因为不同模型的 token 效率差异很大：一个单价低但啰嗦的模型，实际单任务成本可能高于单价高但精简的模型。该指标通常与模型质量得分一起绘制成散点图，形成“质量—成本帕累托前沿”，位于前沿左上方的模型意味着在同等质量下成本最低，或在同等成本下质量最高。

帕累托前沿（Pareto frontier）源自经济学，指在多目标优化中不存在另一个解能在所有维度上都不劣于它、且至少一个维度更优的解集合。在模型评测语境下，横轴为成本、纵轴为质量，前沿线上的模型即“性价比最优”的非支配解；落在前沿右下方的模型则被某个前沿模型在成本或质量上同时压制。博主称 DeepSeek V4.1 Flash 位于“最左上方”，即它在低成本一端同时保持了接近顶级模型的质量。

工具调用与长程编码：从 YouTube 到本地 Excel

浏览器与工具调用测试中，博主让模型分析自己的 Sam Altman 采访视频，提取五个最适合剪辑的片段并给出精确时间戳。模型工作 6 分 24 秒，选出的片段包括“我一年没看过一行代码了”和“意识争论是夺取权力的后门”，时间戳经博主验证准确。由于是开放权重模型，完整的思维链和工具调用过程都可见。

本地编码测试更具说服力。博主在自己的 DJX 工作站上完全本地运行模型，仅用一句“为浏览器构建一个 Excel 克隆”的提示，模型工作 50 分钟，产出名为 Gridline 的表格应用。它支持双击编辑、公式计算（如 B7 加 C7）、加粗、拖拽填充、插入图表和拖放操作。随后一个极简提示“构建一个 3D 魔方模拟，打乱并还原”，模型生成了颜色正确、旋转物理准确的魔方，打乱和还原都正常完成。

开放权重（open weights）指模型的训练参数可公开下载，任何人都能在本地或自有服务器上运行、微调甚至再分发，与仅提供 API 的闭源模型形成对比。它不等于开源软件意义上的“开源”：多数开放权重模型只公开权重，不公开训练数据与完整训练代码，许可证也可能附带使用限制。开放权重带来的直接好处是数据不出本地、推理成本可控、可针对特定任务微调，并且像文中那样能观察到完整的思维链与工具调用轨迹，便于调试和审计。代价则是需要自备算力，大参数模型对显存要求较高，实际部署门槛取决于量化与硬件条件。

生产级应用：自建 PDF 阅读器

博主用 Opus 5.5 生成详细提示词，再交给 DeepSeek 高思考模式，从零构建了名为 Folio 的 PDF 阅读与批注应用。技术栈为 Electron、React、TypeScript 和 pdf.js，界面包含暖白与近黑双主题、拖放打开、文本高亮、绘图批注、签名（可手绘、上传或拍照后翻转处理）、深色模式、导出、旋转和打印。

博主强调这个应用完全本地运行，几乎零成本；即便付费调用推理服务，做出一个可以终身使用的 PDF 阅读器也花不了几美元。

基准与判断：性价比优先的选择

在 Humanities Last Exam 上得分为 42，与 Kimi K3、GLM 5.3 持平；Terminal Bench 同样为 42，Automation Bench 和 Agents Last Exam 也表现良好。博主承认基准只讲了一部分故事，实际体验才是关键。

他的结论是：DeepSeek V4.1 Flash 不是质量最高的模型，但质量接近顶级，配合极低的单任务成本和极高的推理速度，综合来看是当前最好的选择。对于大多数任务，除非涉及最复杂的场景，否则几乎没有质量损失。Kimi K 3.1 在基准总分上更高，但博主个人认为 DeepSeek 更好，建议用户自行对比。

要点总结

• 3D 与空间能力突出：机械表和折叠屏模型细节准确，仅机械表缺少摆陀、折叠动画有小瑕疵。
• 多模态推理亮眼：能清点 137 个可见糕点，并主动推断被遮挡数量，给出 130 到 145 的区间。
• 速度与成本碾压：推理速度最高可达每秒 1286 token，单任务成本仅 26 美分。
• 长程编码可靠：50 分钟本地生成可用的 Excel 克隆，一句提示完成可打乱还原的 3D 魔方。
• 开放权重优势：思维链与工具调用全程可见，可本地部署，适合对成本和隐私敏感的开发场景。