DeepSeek 又更新了。

这次不是继续卷推理、代码，而是补上了一个非常关键的能力：视觉。

DeepSeek 最新上线实验模型 DeepSeek-V4-Flash-Vision-Exp，目前已经可以通过 API 调用。

简单来说，就是：V4 Flash 终于把“眼睛”装上了。

打开网易新闻 查看精彩图片

更重要的是，从官方公布的第一批评测来看，这次升级并不只是让模型“能看图”，而是让 DeepSeek 正式开始补齐多模态 Agent。

文本能力没掉，但突然会“看”了

按照 DeepSeek 的介绍，V4-Flash-Vision-Exp 在纯文本能力上基本保持了 V4 Flash 的水平，包括 Agent、推理和世界知识。

真正明显的提升来自多模态。

从官方公布的 Benchmark 来看，新模型在纯文本 Agent 测试中整体与 V4 Flash 接近，部分项目有所提升。

但到了多模态 Agent测试，差距一下子拉开了。

例如 ApexBench 从 26.2 提升到 36.5，而 Opus 4.8 是 39.4；在 ZeroBench 上，新模型甚至以 35.0 小幅超过 Opus 4.8 的 34.0。

打开网易新闻 查看精彩图片

当然，这并不意味着 DeepSeek 已经全面超过 Opus 4.8。从整张榜单来看，Opus 4.8 在不少项目上依然领先。

但至少可以得出一个很明显的结论：DeepSeek 的 Flash 模型，已经把多模态 Agent 能力推到了接近顶级闭源模型的位置。

为什么“视觉 Agent”比“看图”重要？

现在的大模型能识别图片，其实已经不新鲜了。

真正重要的是：模型能不能把“看见”变成“行动”。

比如让 AI 操作电脑，它首先得看懂网页上的按钮、菜单和弹窗；让它处理 PDF、Excel 或各种软件，它也得理解表格、图表、截图和界面布局。

所以 V4-Flash-Vision-Exp 并不是简单增加了一个图片识别功能。

它更像是在给 Agent 装眼睛。

一旦 AI 不仅能调用 API，还能直接理解屏幕上的内容，Agent 能做的事情就会一下子扩展很多。


 而且视觉输入并不贵

新模型已经登陆 DeepSeek API，模型名称为：

deepseek-v4-flash-vision-exp

它支持文字和图片混合输入，图片可以通过 Base64、外部 URL 或 Files API 提交。

计费也很直接：每张图片最高转换为 384 Tokens，并按照 V4 Flash 的价格收费。

与此同时，DeepSeek Harness 也更新到了 0.1.1，已经直接支持这个新的视觉模型。

把这两件事放在一起看，DeepSeek 的路线其实越来越清晰：它不是只想做一个“会看图的聊天机器人”，而是在继续补齐自己的 Agent 技术栈。

从 V4、DeepSeek Harness，再到现在的 V4 Flash Vision，模型、Harness 和多模态正在逐渐合到一起。

过去我们谈 Agent，更多还是“模型 + 工具调用”。

但真正通用的 Agent，最终一定还需要视觉。

因为现实世界本来就不是纯文本的。

当 AI 真正拥有“眼睛”，Agent 才开始从 API 的世界，走进我们每天使用的电脑和现实世界。

参考资料

DeepSeek Vision API 文档：https://api-docs.deepseek.com/guides/vision/