一位用户在Linux.do论坛分享了对DeepSeek v4.1 flash-1017版本模型的实测体验。该用户在X（推特）上看到一段用于制作视频的提示词，随后将其直接交给DeepSeek模型运行，全程未借助任何skills插件。整个生成过程耗时约一小时，消耗约三千五百万Token，最终产出一个时长22秒、分辨率为1080p的视频文件。用户评价生成的视频效果相当不错，并公开了视频链接供他人查看，同时附上了原始提示词，方便社区成员复现实验。目前该话题已有社区成员参与讨论。此次实测显示，DeepSeek最新的flash版本模型在长上下文理解和复杂任务执行上具备较强能力，能够通过纯提示词驱动的方式完成结构化的视频内容制作。这类由大模型直接生成动态视觉内容的做法，与主流扩散模型文生视频的技术路径不同，更依赖模型的代码生成与自主迭代能力。此类社区真实任务测试，为评估大模型实际能力边界提供了官方基准测试之外的参考视角。
事件分析
本次实测的核心看点在于验证了大模型能力评估的社区化路径：不依赖官方榜单，而是用真实复杂任务检验模型表现。3500万Token的高消耗表明模型进行了大量自主迭代与调试，已接近Agent式工作流的运行特征。与扩散模型生成视频不同，这类’代码生成视频’方式依赖模型的编程与逻辑推理能力，成本结构不同且参数可控性更强。DeepSeek以高频次发布模型快照（如1017版本）的方式快速迭代，显示出其在模型能力打磨上的持续投入。后续值得关注的方向包括：该模型在长时程任务中的稳定性表现、社区对其代码生成质量的进一步压测，以及’提示词直出视频’这类工作流能否沉淀为标准化的创作范式。
核心观点：当大模型能用3500万Token自主迭代’写出’视频，AIGC的边界正从扩散模型向代码生成悄然转移。
原文链接：Linux.do
评论前必须登录！
立即登录 注册