Let's Run DeepSeek V4 Flash vs Pro - Local AI Coding, Maths & Logic TESTED 🧐

Item: Let's Run DeepSeek V4 Flash vs Pro - Local AI Coding, Maths & Logic TESTED 🧐
Rating: 4
Author: PostSingularity Institute

Exécutons DeepSeek V4 Flash vs Pro - Codage IA local, Maths et Logique TESTÉS 🧐

par xCreate

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQFIntelligence artificielle générative

🎙 xCreate 👥 26K 📅 27 avril 2026 ⏱ 22 min 👁 39K 📄 étude originale 🧭 2026-09-09

Disponible en : Français (actuel) English

Mots-clés

DeepSeek V4quantizationMLXcode generationmath reasoning

Résumé

La vidéo présente un test pratique du modèle DeepSeek V4, en comparant la version Flash (exécutée localement sur un Mac Studio M3 Ultra 512 Go) à la version Pro (accessible sur le cloud via DeepSeek). Deux quantizations locales (Q9 et une version reconditionnée Q4) sont évaluées sur des tâches de codage (système solaire 3D, Flappy Bird, Minecraft), des énigmes logiques, de l’écriture créative et un problème de mathématiques de type IMO. Les résultats montrent que la version Flash locale, avec environ 145 Go de mémoire, résout le problème mathématique que des modèles plus volumineux (Kimi K2.6, GLM 5.1) n’avaient pas réussi avec des quantifications plus élevées. Le créateur compare également la qualité visuelle des générations, souligne les différences de mémoire et de vitesse, et mentionne que le modèle est encore expérimental, avec des difficultés d’implémentation dans les moteurs d’inférence. Il annonce la publication d’une version expérimentale sur Hugging Face et l’intégration prochaine dans l’application Inferencer.

155 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur de l’information réside dans le test concret et reproductible en partie, avec des métriques de performance précises (tokens/s, mémoire utilisée) et une comparaison entre plusieurs configurations. L’argumentation est solide pour les aspects mesurables, mais la partie visuelle repose sur une appréciation subjective, sans double aveugle ni critères objectifs. Les échecs sont honnêtement rapportés, ce qui renforce la crédibilité. Toutefois, l’absence de contrôle strict des variables (température, seed) limite la robustesse des conclusions.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est moyenne : le test est empirique mais non contrôlé, et les sources principales sont des références à la page Hugging Face du modèle et à l’application Inferencer. Aucune source académique n’est citée. Le titre correspond exactement au contenu, et la description fournit des liens vers les ressources utilisées. L’analyse des commentaires (non fournis ici) ne peut être réalisée, mais les chiffres de likes et vues indiquent un intérêt certain.

162 mots

Adéquation titre / contenu

Le titre correspond bien au contenu : la vidéo compare effectivement les versions Flash et Pro, testant codage, maths et logique, en local et sur le cloud.

Qualité & fiabilité

7/10

Le test est concret, avec des mesures de performance (tokens/s, mémoire) et une comparaison de plusieurs quantizations. Cependant, l'évaluation visuelle est subjective, certains tests échouent, et les conditions ne sont pas strictement contrôlées (température, seed).

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

DeepSeek-V4-Flash-MLX-9bit — Modèle utilisé pour les tests locaux, version expérimentale.
Inferencer App — Application utilisée pour exécuter le modèle localement.
LG C2 42" Monitor — Moniteur utilisé dans le setup (lien affilié).
Mac Studio — Machine de test (Mac Studio M3 Ultra 512 Go) (lien affilié).
MacBook Pro — Machine alternative évoquée (lien affilié).
QNAP NAS Drive — Stockage potentiel pour modèles (lien affilié).
Kimi K2.6 — Vidéo compagnon sur Kimi K2.6.
GLM 5.1 — Vidéo compagnon sur GLM 5.1.
Expert Controls — Vidéo compagnon sur les contrôles experts.

Apport & nouveautés

La vidéo apporte un retour d’expérience pratique sur l’exécution locale d’un modèle de très grande taille (1,6 T de paramètres pour la version Pro), en testant une version Flash optimisée. Elle montre qu’une quantification adaptée permet de faire fonctionner un modèle performant avec environ 145 Go de mémoire, résolvant un problème mathématique difficile, ce qui n’avait pas été réussi par des modèles plus volumineux dans des tests précédents. Elle discute également des compromis entre différentes stratégies de quantification (reconditionnement vs déquantification) et de l’importance du seed et de la température pour la génération de code.

Pour aller plus loin :

Mixture of experts — Architecture de modèle utilisée par DeepSeek et d’autres, permettant d’activer parcimonieusement les paramètres.
Quantization (signal processing) — Concept général de réduction de précision numérique, appliqué ici aux poids du modèle.
MLX (GitHub) — Framework d’apprentissage automatique optimisé pour les puces Apple, utilisé pour l’inférence locale sur Mac.

151 mots

Profil radar

Le profil radar indique un niveau technique élevé (7/10), une quantité d'information importante (8/10), une qualité d'information moyenne (6/10) due à la subjectivité visuelle, et une fiabilité globale moyenne (6/10) en raison des conditions de test non contrôlées.

Fiabilité 6/10