DeepSeek 4.1 Flash 在 AI 测试中以仅 1.47 美元实现自我改进

概述

ZEXET 最近进行的一次自主自我改进会话表明，高性能 AI 模型能够以极低的成本迭代地调试并增强自身行为。该实验使用了 DeepSeek 4.1 Flash，该模型现已被认为能够同时作为优化代理和被优化对象运作。

在整个运行过程中，系统处理了约 6400 万 tokens。这一广泛的计算工作量包括数百次 API 请求和复杂的推理周期，总运营成本仅为 1.47 美元。

这些数字挑战了关于人工智能持续自我改进循环经济可行性的传统假设。研究结果表明，先进模型现在能够维持长时间运行、资源密集型自我校正任务，而无需承担高昂的经济负担。

自我校正与行为优化

此次 ZEXET Harness 会话的核心目标不仅仅是追求静态基准测试的高分，而是通过反复的测试和调试循环促进主动的自我改进。AI 代理的任务是实时识别自身的失败并加以解决。

在会话期间，该模型并未被动接收提示词。相反，它积极参与反馈循环，在其中：

• 根据定义的性能标准测试其当前能力。
• 识别具体的行为失败或逻辑错误。
• 调试 harness 代码本身，以解决环境或结构性问题。
• 根据先前迭代的结果完善其自身的响应模式。

这一过程类似于科学方法，即假设被测试，证据被分析，结论被用于完善未来的方法。通过将任务嵌入 ZEXET 框架，DeepSeek 4.1 Flash 能够自主地对其自身的性能指标进行迭代。

“这不是基准测试。这是 ZEXET 在主动调试和改进自身。”

测试与自我改进之间的区别至关重要。传统基准测试衡量的是模型在单一时间点的峰值性能。相比之下，本次会话衡量的是模型从错误中学习并在执行过程中调整其行为的能力。运行的成功完成表明，该模型具备足够的自主性，能够在面对持续性错误时修改其内部处理策略。

技术分解与资源使用

来自该会话的定量数据揭示了现代 AI 架构的效率。总共 64,153,839 的 token 数量代表了大量的上下文处理量，但这仅通过 743 次 API 请求便已完成。

这一比例表明了对上下文窗口的高度高效利用。该模型并未依赖庞大且重复的提示工程，而是利用其现有的知识库和推理能力，将复杂任务压缩为可管理的 token 消耗。

成本效率分析

6400 万 tokens 的总成本仅为 1.47 美元，按行业标准衡量非常低。为了更好地理解这一数字：

1. 许多主流大语言模型的每百万 tokens 平均成本在 0.50 美元至 10.00 美元之间，具体取决于模型规模和输入/输出比例。
2. 对于此项特定工作负载，估计平均每百万 tokens 不到 0.02 美元，DeepSeek 4.1 Flash 展示了非凡的性价比效率。
3. 尽管伴随着递归自我校正和 harness 调试相关的繁重计算负载，仍实现了低成本。

这种经济效率是推动可扩展 AI 开发的关键因素。如果自我改进循环能够以如此最低的成本执行，开发人员就可以负担得起运行更长、更严格的训练和调试周期，而无需受预算限制。

对自主代理的启示

此次会话的成功突显了一种日益增长的趋势，即向能够执行持续多步骤操作的自主代理发展。这些代理不再局限于单轮对话，而是可以参与需要记忆、规划和错误恢复的长期项目。

自我改进的可扩展性

DeepSeek 4.1 Flash 无需人工干预即可处理整个运行的能力表明，自主系统可以超越简单的任务执行进行扩展。关键启示包括：

• 减少人类监督： 随着模型在自我诊断方面变得更强，持续人工监控的需求减少。
• 更长的运行时间： 低成本允许代理长时间运行，从而实现更彻底的测试和完善。
• 递归增强： 模型有可能改进其自身的工具和环境，从而带来能力的累积增益。

然而，在确保自我改进符合安全性和可靠性标准方面仍存在挑战。无监督的迭代存在风险，包括潜在的非预期行为漂移或为狭隘指标进行优化而牺牲整体鲁棒性的可能性。

结论

ZEXET Harness 与 DeepSeek 4.1 Flash 的会话作为成本效益高且自主的 AI 自我改进的典型案例。通过以 1.47 美元的成本处理 6400 万 tokens，该模型证明了高级推理和调试可以在大规模下高效执行。

这一成就强调了当前 LLM 架构在处理复杂多阶段工作流程方面的成熟度。随着行业向更自主的系统发展，这种低成本自我校正能力很可能会成为可靠 AI 部署的标准要求。