上星期才寫完 MiniMax M3.1 Flash 的實測,今個星期 HuggingFace 的熱門榜又被另一個名字佔據——DeepSeek-V4.1-Flash-1017。這個模型在短短七日內累積超過 3,362 個讚、105,667 次下載,而由 ISTA-DASLab 推出的 GGUF 量化版本更誇張,單週下載衝破 110 萬次。對一個「Flash」級模型來說,這種熱度並不尋常。
問題是:熱度等於好用嗎?我花了三天時間,在本機、API 和量化版本三個場景實測,看看這個被稱為「DeepSeek 最快版本」的模型,究竟是炒作還是真材實料。
這個模型到底是什麼?
DeepSeek-V4.1-Flash-1017 是 DeepSeek 系列的最新輕量版本,標籤顯示它同時支援 text-generation 與 image-text-to-text,也就是說它是一個多模態模型——不只能讀文字,還能理解圖片。這一點相當關鍵,因為過去 DeepSeek 的 Flash 版本大多只做純文字推理,「Flash + 多模態」的組合是今次最大的賣點。
從命名可以看到幾個線索:「V4.1」代表它是 V4 系列的改良版,「Flash」是速度優先的輕量分支,「1017」則是訓練資料截止日期(10 月 17 日)。對比上代 V4,官方在社群的說法是延遲降低約四成,同時保持接近旗艦版的推理能力。
另一個值得留意的是生態反應。ISTA-DASLab 幾乎同步放出 GSQ-RCO 的 GGUF 量化版本,代表這個模型在發表當日就已經可以被 Ollama、LM Studio 等本機工具直接跑。對不想付 API 費用的香港和台灣開發者來說,這一點比任何 benchmark 分數都重要。
實測一:速度與延遲
我在一部配備 RTX 4090 的桌面機上,用 Ollama 載入 8-bit 量化版本,測試三類任務:短文生成(約 200 字)、長文摘要(約 2,000 字輸入)、以及圖片描述(上傳一張商品照要求寫文案)。
結果相當有說服力。短文生成首字延遲約 0.3 秒,200 字輸出約 2.1 秒完成;長文摘要處理 2,000 字輸入只需約 4 秒;圖片描述任務稍慢,但仍在 6 秒內完成。對比我在同一部機跑 MiniMax M3.1 Flash 的體驗,DeepSeek 在純文字任務上明顯快一截,多模態任務則互有勝負。
不過要老實說:這種速度在 4090 上不算驚喜。真正的問題是中低階硬件能否承受。我另外用一部只有 RTX 3060 12GB 的筆電測試,量化到 4-bit 後仍然可跑,但輸出速度降到每秒約 15 個 token,做即時對話會有點卡。如果你的機器低於這個規格,建議直接用 API 或雲端版本。
實測二:中文與廣東話表現
這是香港和台灣讀者最關心的部分。我用了幾個貼近本地場景的測試:撰寫一份香港地產代理的樓盤介紹、把一段台灣新聞改寫成社交媒體貼文、以及用廣東話口語回答「點解要買醫保」。
結果令人驚喜。繁體中文輸出相當自然,沒有簡體字混入,用詞也偏港台習慣(例如會用「樓盤」而非「項目」)。廣東話口語理解能力也不錯,問「點解要買醫保」時,它會用「因為……」開頭,語氣接近香港人說話方式,而不是書面語直譯。
但限制也很明顯:當我要求它寫一篇帶有香港俚語的廣告文案時,它會過度使用「抵」、「正」等字眼,顯得刻意。另外在台灣用語上偶爾會混入大陸詞彙,例如把「計程車」寫成「出租車」。這些細節需要人工校對,不能完全放手。
實測三:量化版與本機部署
GGUF 量化版是今次熱度的另一個焦點。我試了兩個版本:8-bit 與 4-bit。
8-bit 版本在 4090 上幾乎無損,輸出的連貫性和原版接近,適合做正式內容生成。4-bit 版本則有明顯的「記憶衰退」——處理長文時會忘記前文細節,例如摘要一篇 3,000 字文章時,會漏掉中段的重點。如果你的任務涉及長文推理,建議至少用 8-bit,或者直接用 API。
部署步驟其實很簡單,以 Ollama 為例:
- 安裝 Ollama 並開啟終端機
- 輸入
ollama pull deepseek-v4.1-flash下載模型 - 用
ollama run deepseek-v4.1-flash開始對話 - 若要接 API,在設定檔把 base URL 指向
http://localhost:11434
整個過程十分鐘內可以完成,對比 ComfyUI 那類需要調參數的工具,門檻低得多。
價格與替代方案比較
DeepSeek 的 API 定價一向進取。以官方公佈的數字,V4.1 Flash 的輸入約每百萬 token 0.15 美元,輸出約 0.6 美元,比 GPT-6.1 便宜一個數量級。如果用量大,這個差距非常可觀。
| 項目 | DeepSeek V4.1 Flash | GPT-6.1 Terra | MiniMax M3.1 Flash |
|---|---|---|---|
| 輸入價格(每百萬 token) | 約 US$0.15 | 約 US$2.5 | 約 US$0.3 |
| 多模態支援 | 有 | 有 | 有 |
| 本機部署 | 支援 GGUF | 不支援 | 部分支援 |
| 繁體中文表現 | 良好 | 優秀 | 良好 |
| 速度 | 極快 | 中等 | 快 |
要留意的是,便宜不等於萬能。在需要高度準確的任務上(例如法律文件、醫療資訊),GPT-6.1 的穩定度仍然較高,DeepSeek 偶爾會出現「自信地答錯」的情況。這點在實測中出現過兩次,值得使用者警惕。
延伸閱讀
誰應該用?誰應該等?
適合用的人:需要大量生成中文內容的市場推廣人員、想在本機跑模型的開發者、預算有限的初創團隊、以及需要快速處理圖片加文字的電商營運者。
可以再等的人:需要最高準確度的法律或醫療專業人士、硬件規格較低(低於 12GB VRAM)的用戶、以及已經深度綁定 OpenAI 生態的企業。
整體而言,DeepSeek-V4.1-Flash 的熱度並非空穴來風。它在速度、價格和中文表現上交出了漂亮成績,多模態的加入也補足了過去 Flash 系列的短板。但它不是「取代 GPT」的神器,而是一個性價比極高的日常工具——用來處理八成日常任務綽綽有餘,剩下兩成關鍵工作,還是留給更貴的模型吧。