领铄智能：双盒子串联运行DeepSeek-V4，跑分竟是单盒子的2倍

最近，我们把两个 Blade Agent Box 进行串联，并在相应配置与授权条件下安装 DeepSeek-V4-Flash-0731，尝试把模型、智能体平台、企业知识和浏览器工具等放进一个更接近真实业务的本地环境。本文结合一份四模型能力报告，解释这次升级到底解决了什么问题，以及它对企业使用 AI 有什么意义。

关键词：Blade Agent Box、DeepSeek-V4-Flash-0731、双机串联、本地 AI、智能体

如果只看“能不能运行一个模型”，一个盒子已经可以完成很多事情。

但企业真正开始使用智能体以后，问题很快会变成：

模型能不能装得下？多个任务能不能同时做？知识库、浏览器、软件工厂和业务流程能不能一起运行？当一个任务变复杂时，单个节点是否还有足够的内存和算力余量？

为什么DS-V4-Flash不能部署在单个盒子上？

在讨论测试结果之前，先回答一个核心问题：为什么 DeepSeek-V4-Flash-0731 单盒子跑不动？

DeepSeek-V4-Flash-0731：太重了

这款模型总参数量高达 2840 亿，虽然是 MoE 架构（推理时只激活 130 亿参数），但全部权重必须完整加载到内存中。

量化压缩后的权重文件仍有约 180GB，最低部署也需要 两张 96GB 的专业显卡 或 8 卡 NPU 节点。单张显卡、单个盒子根本装不下。

Qwen3.5-122b：轻量得多

同样是 MoE 架构，总参数量 1220 亿，但量化后门槛大幅降低：

经 GGUF 量化后，仅需约 18GB 显存 + 34GB 内存，单张 RTX 3090/4090（24GB 显存） 就能流畅运行。单盒子完全足够。

对比小结

结论很简单： Qwen3.5-122b 量化后一张显卡就够，而 DeepSeek-V4-Flash-0731 压缩完也得两张 96GB 显卡才装得下——单盒子的硬件天花板就在这里。双盒子串联，不是“优化”，是“必须”。

测试数据：DS-V4-Flash的跑分是Qwen3.5-122B的两倍

为了验证DS-V4-Flash的能力，我们设计了四款模型的对照测试：①Qwen3.5-122b（作为单机性能基准）；②DS-V4-Flash量化版（核心测试对象）；③全精度DS-V4-Flash（作为精度上限参照）；④GPT-5.6-luna（作为外部对标）。四款模型都接入BladeAgent，在预设的七个场景下进行测试。看哪个模型更能干活。

七个测试场景展示1 / 6

七个场景成绩对比2 / 6

量化到底损失了什么？3 / 6

速度与 Token4 / 6

数据的可信度5 / 6

未回答的问题6 / 6

← 手指左右滑动，查看 6 张测试数据图 →

上面针对四个模型的测试方式很有参考价值。它不是让模型回答几道常识题，而是让模型实际完成一组有验收标准的任务：读文件、写代码、跑测试、发现错误后修改，最后交出可以检查的结果。经过多轮测试，我们得到了四款模型的平均分（下图所示）。

报告比较的是“接入智能体后能否完成任务”，不是单纯聊天效果

这组数据清晰表明，在七个测试场景中，双盒子可用的DS-V4-Flash量化版平均得分58.4分，而单盒子可用的Qwen3.5-122b平均得分约为30.4分，前者约为后者的2倍。

DeepSeek-V4-Flash-0731：为什么要对比全精度和量化版两个版本？

报告中，DeepSeek-V4-Flash-0731 有两个版本：云端全精度版和本地量化版。

同模型、同任务的对照结果显示：全精度平均 66.1 分，量化版平均 58.4 分，平均差距约 7.7 分。

但这个差距并不是所有任务都一样大。

报告的结论可以用一句大白话概括：

量化主要影响“能不能稳定地多想几步”，不等于模型完全不会做。

这也是为什么企业部署本地模型时，不能只看参数规模和显存容量，还要看任务到底是“按流程执行”，还是需要模型进行长链路分析、复杂推理和自主修正。

两个 Blade Agent Box 串联，提升的到底是什么？

Blade Agent Box 当前公开配置包含本地算力、模型、Blade Agentic OS、业务技能和系统集成能力，标准/典型口径为 128GB 统一内存。两个盒子串联后，最直观的变化不是“所有性能简单乘二”，而是形成了更大的本地 AI 运行空间和更灵活的任务分工。

Blade Agent Box A模型推理 / 智能体任务⇄Blade Agent Box B知识、工具 / 并行任务

一是，内存与模型承载能力有机会提升

在互联和调度配置支持的前提下，两个 128GB 节点可以形成更大的可用内存规模，为更大模型、更长上下文或更多知识与工具组件留出空间。是否形成统一内存池、可用容量是多少，以实际互联方案和交付配置为准。

二是，任务可以从“单点排队”变成“分工协同”

一个节点负责主任务，另一个节点负责资料检索、浏览器操作、代码测试、结果复核或其他技能调用。这样做的价值，不只是把一项任务做得更快，也可以减少不同任务之间的资源争抢。

三是，为高峰任务留出运行余量

单盒子同时运行知识库、模型、浏览器和软件工厂时，资源会被多个模块共同占用。双盒子串联后，可以按业务优先级拆分负载，让关键任务有更多稳定运行空间。

需要强调：双盒子“理论资源规模”不等于所有任务的实际吞吐都翻倍。模型并行、通信带宽、调度策略、量化方式、任务类型和软件版本都会影响最终表现，应使用同一套业务测试集进行实测。

从单节点运行到多节点协同，关键是资源如何被调度

为什么说“双盒子 + DeepSeek-V4-Flash-0731”更适合做智能体？

模型只是智能体的一部分。一个真正能工作的智能体，还需要知识、工具、浏览器、代码执行、任务记忆、权限和过程记录。

双盒子串联以后，可以围绕这些能力做更清晰的分工：

能力模块

可承担的工作

双盒子带来的帮助

模型推理

理解指令、规划步骤、生成结果

为较大模型或较长上下文预留更多资源空间

知识与数据

文档检索、数据库查询、来源引用

将知识服务与主任务适当分离，减少资源争抢

浏览器工具

打开网页、查询、填表、核验页面结果

支持浏览器任务与模型任务协同运行

软件工厂

页面生成、代码生成、预览、测试与迭代

让开发、测试和运行环境具备更充足的本地资源

多智能体协同

检索、分析、生成、审核和交付

为不同角色或并行任务提供节点级分工可能

这类架构的核心，不是“堆硬件”，而是让模型推理、知识检索、代码执行、浏览器操作这四个模块可以从一个设备拆分到两个设备上并行运行，互不抢占资源。。

给企业的一个简单判断：先看任务，再看配置

如果企业的 AI 任务主要是知识问答、材料生成和固定流程办理，单盒子可能已经能满足试点需要。

如果企业希望同时运行较大模型、知识库、浏览器工具、软件工厂和多个智能体，或者需要多人共享、并行处理和更长任务链路，双盒子串联就更有意义。

尤其是以下场景，可以优先评估：

企业软件生产

自然语言生成内部应用，配合浏览器预览、测试和持续迭代。

企业知识与办公协同

文档检索、材料生成、会议协同和业务流程办理在本地环境中运行。

工业现场与园区应用

在内网或边缘环境中，连接设备资料、巡检系统、业务工具和现场流程。

科研研发与数据分析

处理长文档、实验材料、数据查询、代码测试和多步骤研究任务。

最后，如何正确理解这次升级？

双盒子串联不是简单地“买两台设备”，DeepSeek-V4-Flash-0731 也不是安装完成就自动解决所有业务问题。

它更像是一次从单点能力向组合能力的升级：

一个盒子，让本地 AI 跑起来；
两个盒子，让模型、知识、工具和任务有机会协同起来。

结合四模型报告来看，模型能力差异会集中体现在多步推理、端到端交付和长链路任务上。双盒子能够提供更大的本地运行空间和更多任务调度可能，但最终效果仍需要回到企业自己的任务集、数据边界和验收指标中验证。

这也是领铄智能对边缘 AI 一体机的理解：不是把一个模型装进盒子就结束，而是把模型、智能体平台、知识、工具、浏览器和业务流程，逐步组织成企业可以使用、可以追踪、可以持续优化的本地 AI 能力。

想了解双盒子串联如何适配你的业务？可以从一个高频、可验证、权限边界清晰的任务开始，评估模型、知识库、浏览器和软件工厂的组合方式，再逐步扩展到部门和组织级应用。