双 DGX Spark 上的本地部署与 Agent 现场报告

一句话结论

V4-Flash 的本地运行可行性取决于多 GPU/量化与上下文余量，Open Code 的两个小型 Agent 项目表现连贯但仍出现真实数据错误，部署决策不能只看 benchmark 或 token 价格。

适用场景

• 适合的任务：已有双 DGX Spark 或相近显存资源的团队，用于代码 Agent、数据驻留、可控延迟和长期 API 成本评估。

• 不适合的任务：单张普通 GPU 的即装即用部署、原生视觉/音频输入、无需人工校验的事实型应用。

• 适用的模型版本：文章讨论 DeepSeek-V4-Flash 0731/同架构本地权重；具体量化文件版本未在文章中给出。

• 适用的客户端、Agent 或 API：本地 Open Code harness；文章同时讨论 DeepSeek API。

• 推荐的推理档位和参数：文章没有公开完整 API 参数或 Agent system prompt；不要把约 25–30 tok/s 当作所有硬件配置的默认值。

测试环境、输入/配置

• 本地硬件：双 NVIDIA DGX Spark 集群；文章还讨论单一 128 GB 系统配合 Dwarf Star 的 SSD offload、KV cache 操作和混合精度方案。

• 量化估算：4-bit 约需 168 GB VRAM；3-bit 约需 110 GB，均未计入可用上下文额外内存。

• 推理引擎/Agent：Open Code；Dwarf Star 作为降低显存压力的另一种引擎策略。

• 任务：构建 Pokémon encyclopedia 网站；构建调用实时 API 的 space station tracker。

• 完整输入与配置：文章未公开完整 prompt、工具 schema、重复次数、量化文件哈希或代码仓库，不能视作严格可复现 benchmark。

结果数据

• 文章概述 DeepSweep 约从 7% 提升到 54%，并强调提升主要来自 post-training；该数字沿用官方/文章讨论，非作者重新跑出的独立分数。

• 双 DGX Spark 的 Open Code 实测约 25–30 tokens/s。

• Pokémon 项目约消耗 19,000 tokens；作者观察到模型保持可见 todo 列表，输出比早期 DeepSeek 更结构化、少冗余。

• 两个 Agent 项目均未出现“重大错误”；space station tracker 的界面较完整，但位置数据只显示 North America，存在事实/数据正确性问题。

• 文中给出的 API 参考价约为每百万输入 token 0.02 美元、每百万输出 token 0.30 美元；价格会随时间和峰谷时段变化，采购前应以官方价目表复核。

结论

本地部署的主要瓶颈是显存和上下文余量，而不是模型能否启动；双 DGX Spark 能达到可交互速度。对于生产 Agent，文章最有价值的信号是“计划与 todo 维持良好”与“真实数据仍会错”同时存在，因此应保留数据校验、来源核对和人工验收。

局限

• 这是单作者现场报告，不是盲测或多模型控制实验；没有完整 prompt、工具记录、失败率、重复次数和量化文件版本。

• 文章明确提醒 DeepSeek 的 Agent 分数使用自家优化 harness，harness 差异可能显著改变 benchmark；其本地 Open Code 结果也不能直接等同于裸模型能力。

• 4-bit/3-bit 显存数字是模型加载估算，不等于包含长上下文、KV cache、并发和系统开销后的最低配置。

• 文章的 API 价格是采集时的近似值，不能替代 0731/当前官方价格。

复现步骤

1. 固定 V4-Flash 具体权重、量化格式、推理引擎版本和显存布局，并记录是否启用 SSD offload/KV cache 优化。

2. 用同一 Open Code harness 执行 Pokémon encyclopedia 和 space station tracker，保存 system prompt、工具 schema、commit、token、速度与错误日志。

3. 至少重复多次，并加入数据来源校验测试，特别检查实时 API 的地理覆盖和时间戳。

4. 在单 GPU、双 DGX Spark 与 API 三种环境下分别记录吞吐、首 token 延迟、峰值显存、成本和任务成功标准。

5. 与不带 DeepSeek 专用 harness 的基线并跑，隔离模型改进与编排改进。

原始证据与数据

文章给出的关键部署数据是 4-bit 168 GB、3-bit 110 GB、双 DGX Spark 约 25–30 tok/s；案例数据是 Pokémon 约 19K tokens，space station tracker 出现 North America-only 的位置数据错误。作者同时提醒 agent benchmark 的 harness 影响不能忽略。

来源摘录或观察（仅做合规短引）

文章把实际结果概括为 “Both tasks ran without major errors”，但紧接着记录 tracker 的位置数据不准确；这正是“代码生成成功”与“产品事实正确”之间的边界。