Hugging Face 产品负责人 Victor M 发布 DeepSeek-V4.1-Flash 评测：称其 Boeing 747 自检循环连跑数小时、成绩为所见开源最佳

9 月 11 日，Hugging Face 产品负责人 Victor M（@victormustar）在 X 上了他对 DeepSeek-V4.1-Flash 的评测。这款模型，被他放进了自己的「Boeing 基准」。他写道，这是他从开源模型上见过的最好的 Boeing 基准成绩，「好出一大截」（by far）。

测试条件他写得很具体：harness（执行框架）是 Claude Code，提示词是一条 /goal 指令，任务是让模型用 THREEJS 做出最逼真的 Boeing 747、并靠视觉能力自校验。他说这次运行持续了好几个小时。这些结论出自他一人：测试由他设定，判断由他给出。

一条 /goal 提示词与自校验循环

提示词的译文是：「/goal 用 THREEJS 创建最逼真的 Boeing 747，用你的视觉能力搭一个可自校验的系统，进入循环，直到你对结果 100% 满意（你可以搭一个相机系统来检查每个角度）。」

他描述的过程是：模型在循环里不断「检查、发现缺陷、放大、诊断、修复」，然后重复。他强调了两件事：一是这样的循环能在长程（long horizon）上维持，二是模型在「判断该修哪里」上表现很好。他对比说，其他模型常常很快停滞，而它一直在改进。

随帖的视频是他展示这一过程的主要材料。视频封面是一架 THREEJS 渲染的 Boeing 747，上方横幅写着 DeepSeek-V4.1-Flash；在他看来，视频展示的正是这种维持能力。

结果放在一个可拖拽环绕的 747 查看器里

主帖发出后，他给出查看入口，消息是「非常好，结果在这里可以查看」，链接指向 Hugging Face 上一个名为「DeepSeek V4.1 Flash Boeing 747」的（托管应用）。

随后他又，说「更多细节，因为这很美」。截图里是一个 3D 查看器界面：右上角有 Auto orbit、Reset view、Fullscreen 三个按钮，左下角标注「DeepSeek-V4.1-Flash」和「BOEING 747 · DRAG TO ORBIT · SCROLL / PINCH TO ZOOM」，也就是拖动可环绕、滚轮或双指可缩放。

「Boeing 基准」：他持续跑了半年多的个人测试

「Boeing 基准」（他有时也写 Boeing bench）是 Victor M 自己的一套对比测试：同一类任务反复换模型来跑，结果通常以视频和他名下的 Hugging Face Space 发布，好坏由他个人比较得出。

2 月 11 日，他说，是第一个做到这一点的开源模型。7 月 24 日，他：Fable 5 用时 42 分钟，产出 4 个文件、约 1,000 行，渲染 17 遍、检查了 54 张截图，验证完全靠视觉；Opus 5 用时 71 分钟、20 个模块、约 4,000 行，还写了测量脚本，把渲染轮廓与公开的 747-400 数据按 14 项指标逐项比对。

9 月 1 日，他「惊人，明显好于 5.0」。9 月 10 日，V4.1-Flash 发布当天，他「看起来 DeepSeek 4.1 Flash 在 Boeing bench 上很能打（还没有最终结果）」；最终结论在第二天发出。

被测的 V4.1-Flash：552B MoE 与原生视觉

据 DeepSeek 的，V4.1-Flash 是新架构家族里最小的模型，带原生视觉理解；参数量为 552B 的 MoE（混合专家架构），采用新的 Causal Encoder–Decoder 架构，输入端只有 8B 激活参数、输出端 16B，KV cache（键值缓存）所需的 HBM（高带宽内存）是前代的 1/4、SSD 存储是 1/8。

DeepSeek 还称，多方测试显示它在性能、成本、速度和总运行时间上优于旗舰的 V4-Pro，因此计划逐步淘汰 V4-Pro：从 9 月 14 日 04:00 UTC 起，所有 deepseek-v4-pro 请求会被路由到 V4.1-Flash，直到 V4.1-Pro 发布。官方生态伙伴 WorkBuddy（含 CodeBuddy）和 OpenCode 已支持这个模型。

这次评测依赖的自校验循环，要求模型「看」自己渲染的画面来判断缺陷；DeepSeek 把原生视觉理解列为 V4.1-Flash 的卖点之一。

回复里的追问：harness、router、上下文与成本

主帖的回复里出现了几个具体的复现问题。说：「看样子我得换个 harness 了，我用 opencode 跑 DeepSeek 的结果并不满意，也许问题出在 harness 上。」问的是接入方式：用哪个 router（路由）才能在 Claude Code 里调用 DSV4.1。追问机制：几个小时的「检查→修复」循环，是全程同一个上下文窗口，还是 /goal 会起新的子代理；他想知道什么上下文策略让它几小时不「腐烂」。的回复只有一句：「花了多少？」引用转发的则写道：「当你的开放权重模型在 Claude Code 里表现最好时。」

对想自己复现的人来说，回复里的追问更具体：用什么 router 接入、这次运行花了多少钱、上下文策略是什么。