4 台 DGX Spark 本地跑 V4.1 Flash 1017 vs GLM-5.3-Flash 做音轨动效
V4.1 Flash 用 TP4+SGLang、1M 上下文，12 轮完成歌词对齐与 Canvas 动效导出，歌词基本同步；GLM 生成更快但歌词始终偏移，24 轮仍未对齐。
DGX Spark互換機4台で動かしているローカルLLMに、同じ曲のモーショングラフィックを作らせて比べてみました。 上：DeepSeek V4.1 Flash 1017／下：GLM-5.3-Flash 曲はSuno、絵はnijijourney、後ろでループしている動画はローカルのMiniMax H3です（同じ絵を最初と最後に置いてループさせています）。 LLMに渡したのは、曲と歌詞と背景の動画だけです。ハーネスはどちらもDeepSeek Harness。Hermesだと最後まで完走しないことが多かったです。 やらせたこと ・曲を自分で解析する（ビート、テンポ、セクションの切れ目、帯域ごとの音量） ・歌詞を出すタイミングは音声認識で単語の時刻だけ取り、表示する文字は渡した歌詞そのまま ・ブラウザのCanvasで動くモーショングラフィックを一から書く（文字の版ズレ、グリッチ、音に合わせて動くスペクトラム） ・ヘッドレスのChromeで画面を撮って自分で確かめ、最後は1コマずつ書き出して動画にする DeepSeek V4.1 Flash 1017 公式の重みを量子化せず、そのまま4台のテンソル並列（TP4、SGLang）で動かしています。コンテキスト1Mの設定です 歌詞と歌はほぼ最初から合っていて（ただし、曲のあとの方に行くとずれていく）、こちらから頼んだ直しは、グリッチを増やす、背景の動画を見えるようにする、点滅をなくす、場面転換のフラッシュを消す、といった見た目のことだけ。12往復で書き出しまで終わりました。 もうちょっと動いてほしいですが、結構いい感じです。 GLM-5.3-Flash こちらも4台のTP4（vLLM）ですが、NVFP4／FP8／BF16を混ぜた量子化版に、投機的デコード、コンテキスト512Kの設定です。 生成の速さだけならGLMの方が出ます（文章でGLM毎秒63トークン対DSF53トークン、コード本文は約117／約112 tok/s）。 ただ、歌詞は最後までずれていました。全体を3秒、5秒、4秒とずらしても合わず、場面の切れ目そのものが1.3〜2.8秒遅れていたのを直しても、まだずれています。やりとり24往復しても合いきりませんでした。 ちょっと単調な感じになりましたね。 なお、途中で頼んだ直しはそれぞれ違うので、同じプロンプトでの比較ではありません。