I Ran DeepSeek V4.1 at MAX on a Local AI Cluster (It’s Terrifying)

I Ran DeepSeek V4.1 at MAX on a Local AI Cluster (It’s Terrifying)

J'ai fait tourner DeepSeek V4.1 au MAX sur un cluster IA local (c’est terrifiant)

par xCreate · Voir la chaîne sur PSI

Sciences appliquées & ingénierie IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQFIntelligence artificielle générative
🎙 xCreate 👥 27K 📅 5 octobre 2026 ⏱ 23 min 👁 12K 📄 étude originale 🧭 2026-10-15
Disponible en : Français (actuel) English

Mots-clés

DeepSeekIA localequantificationgénération de jeuxcluster

Résumé

Dans cette vidéo, le créateur de la chaîne xCreate teste le modèle open source DeepSeek V4.1 Flash Edition en local, en utilisant différentes quantisations (Q4i et Q9) et différents budgets de tokens de réflexion (1 000, 10 000, 25 000 et illimité). Il exécute le modèle sur un Mac Studio M3 Ultra et un MacBook Pro M4 Max, puis les combine en cluster pour une inference distribuée. Les tests consistent à générer du code Three.js pour créer des scènes 3D ou des jeux : simulation d’explosion nucléaire, visage humain photoréaliste, Age of Empires II, GTA V, Doom, Call of Duty, Street Fighter, Tomb Raider, Assassin’s Creed, Gears of War, ainsi qu’un clone de Blender et un éditeur vidéo type iMovie. L’auteur observe des différences de qualité selon le nombre de tokens de réflexion : 10 000 tokens semblent donner un bon compromis entre qualité et durées de génération, tandis que les budgets illimités provoquent parfois des boucles ou des erreurs d’exécution. Le test final avec le modèle Q9 en cluster sur deux machines montre une meilleure stabilité et une qualité supérieure, notamment pour le rendu de Tomb Raider, avec un taux de génération d’environ 13,4 tokens/s. L’auteur souligne l’importance de la quantification pour éviter des refus de sécurité et améliorer les performances. Aucune séquence publicitaire explicite n’est présente dans la vidéo, mais la description contient des liens d’affiliation.

228 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La vidéo apporte une valeur démonstrative concrète : elle montre des exemples réels de génération de code par DeepSeek V4.1 pour des scènes 3D et des jeux, avec des variations systématiques du budget de réflexion et de la quantification. L’argumentation s’appuie sur des observations visuelles et des comparaisons entre les différentes configurations, ce qui rend le propos tangible. Cependant, la subjectivité des évaluations (qualité esthétique, jouabilité) et l’absence de métriques objectives (par exemple, taux d’erreurs, temps exacts) affaiblissent la rigueur de la démonstration. Le créateur reconnaît lui-même les limites de certaines générations et documente les erreurs d’exécution, ce qui renforce la crédibilité de son approche malgré son caractère empirique.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est mitigée : il s’agit d’un test pratique sans protocole formel, mais l’auteur montre une transparence sur les erreurs et les correctifs appliqués. Les sources citées (liens Hugging Face pour les quantisations Q4i et Q9, ainsi que l’outil Inferencer) sont directement pertinentes et correspondent aux ressources utilisées, mais aucune référence à des benchmarks officiels ou études comparatives n’est fournie. Le titre est bien adapté au contenu : il annonce un test à budget de réflexion maximal et l’utilisation d’un cluster local, les deux étant effectivement couverts. La description de la vidéo contient des liens d’affiliation, mais aucune séquence publicitaire explicite n’est présente, ce qui n’affecte pas la fiabilité du contenu.

237 mots

Adéquation titre / contenu

Le titre est fidèle au contenu : l'auteur exécute DeepSeek V4.1 avec un budget de réflexion maximal et utilise un cluster local pour le test final. Le terme 'terrifiant' reflète le caractère impressionnant des générations, mais reste subjectif.

Qualité & fiabilité

7/10

Les tests sont empiriques et reproductibles, mais le créateur ne fournit pas de méthodologie stricte ni de comparaison objective avec d'autres modèles ; les résultats sont présentés de manière subjective (qualité visuelle, etc.). Les sources citées se limitent aux liens de téléchargement du modèle.

Chapitres

Sources citées

Références externes

Apport & nouveautés

L’apport original de cette vidéo réside dans l’évaluation pratique de DeepSeek V4.1 Flash Edition en environnement local, avec une variation méthodique du nombre de tokens de réflexion et des niveaux de quantification. L’auteur montre notamment l’impact de ces paramètres sur la qualité des générations de code et la stabilité d’exécution, et il démontre la faisabilité d’un clustering multi-machines pour faire tourner des modèles de grande taille. Cette approche empirique complète les benchmarks officiels en fournissant des exemples concrets de ce que le modèle peut produire en situation réelle.

Pour aller plus loin :

  • DeepSeek — Page Wikipédia sur l’entreprise et ses modèles, utile pour contextualiser la vidéo.
  • Quantization (machine learning) — Article expliquant les principes de quantification des réseaux neuronaux, pertinent pour comprendre les différences entre Q4i et Q9.
  • Three.js — Bibliothèque JavaScript utilisée pour les générations 3D, dont la connaissance est nécessaire pour apprécier les sorties du modèle.

149 mots

Profil radar

Le profil radar indique une forte quantité d'informations et un niveau technique élevé, mais une fiabilité et une qualité modérées, reflétant une étude empirique subjective.

Fiabilité 6/10