Jay 发自 凹非寺
量子位 | 公众号 QbitAI
家人们，鲸鱼开眼了！
等了四个月，DeepSeek的多模态模型：deepseek-v4-flash-vision-exp，终于发布。
我也是第一时间赶到现场，连夜开始实测。
相比V4 Flash最大的不同，就是支持原生支持图片输入了，但图片生成当然还是没有的。
基础识图能力实测下来，和一直在内测的网页版差不多，感觉就是同一个模型。
但在Agent任务上，「眼睛」确实可谓是超强的装备了。
先看，纯文本能力（Agent、推理、世界知识等），DeepSeek-V4-Flash-Vision-Exp与DeepSeek-V4-Flash正式版持平。
但值得注意的是，在需要多模态的Agent Benchmark上，这个新视觉模型相比V4-Flash，实现了大幅跃升！
甚至已接近Opus-4.8。
官方也展示了一些demo。
首先是PPT，也是最需要视觉能力的白领场景了，纯靠AI盲画真的很难绷啊。。。
他们还用这个新模型对DeepSeek官网做了二次创作，你别说，玻璃UI动效还真挺好看的，建议merge到主线上（bushi）。
最后是一个黏土风格的前端，相比前俩demo灵动很多，也是在展示模型的审美吧。
如今，这个新视觉模型已上线API，计费价格与flash一致。
在API服务中，图片会转换成token后按token计费，一张图片最多占384 tokens。
如果按「高峰时期+缓存未命中」来计价的话，换算人民币，看一张图大约0.12分钱。
也就是说，即便每张都占满384 tokens，1分钱理论上能看大约9张图。
同样情况下，Image 2看一张需要2.06分，比DeepSeek贵将近20倍。。。
这还没完。
DeepSeek Harness也迎来了版本更新，正式原生支持「第一方」多模态模型。
现在，你可以直接在最新版的DSH里，选择这个视觉模型。
啧啧啧，模型和工具同天就位，接生一条龙是吧。
（bushi）
应该也是计划已久的合体吧，毕竟多模态模型搭配Harness食用，可以解锁很多新场景。
DeepSeek视觉模型实测
所以我也用DSH搭配Vision模型，测了一下。
满足一大心愿，之前DSH刚发的时候我就想做白模和Codex比比，奈何大鲸鱼没眼睛，我也不好意思欺负瞎子。
现在，我终于能让他照着图雕「牛来」了。
它自己下了个Blender，跑了很久，过程中截图返工了很多次。
最后的成果长这样——
效果真可以啊，虽然等了很久，但这个光泽确实不赖。
然后是前端任务，让他用Canvas手绘了个宇宙风格的demo，点击可生成UFO，效果还是不错。
其他Agent能力就不说了，官方demo都有，主要看看基础的识图能力。
找了张三代蜘蛛侠同框的图片丢给他，专门挑了侧脸的，想着可能难度高一点。
结果瞬间就出答案了，可能就两三秒，应该是已经被训练过。
需要WebSearch的也没问题，就是有点慢。
《牛来》剧照，这个视觉模型Loop了好几轮，在网上翻了个遍，花了三分多钟才出答案。
但用网页版就快特别多，看来简单识图确实不需要太多Tool Call。
最后，数手指还是不太行，这也是现阶段多模态模型的通病了，第一轮对话永远固执地认为是五根。
怎么说呢，如果单看识图能力的话，个人感觉就是网页版那个模型，能力没啥区别。
不过，现在搭配Harness和Max推理食用，确实可以赋能不少任务。
等了四个月的眼睛…
其实吧，从今年大Agent时代开启以来，大家都在嘟囔DeepSeek到底啥时候支持多模态。
可惜，众所周知，DeepSeek是一心向往AGI的，并不打算多模态上花太多心思，因此一拖再拖。。。
但像前端开发这类任务，看不了图真的很影响反馈迭代效率啊！！
图片生成无所谓，至少不能是瞎子吧。
Codex在这方面就特别方便，还和产品结合起来了，可以直接在图片上批注修改意见。
四月份，好消息来了——
DeepSeek开始灰测识图。
6月，这个识图模式，端上了网页版和App端。
不过，这个图片模型自此就没声了，一直在内测状态。。。
整整将近四个月过去，DeepSeek，终于摘下了眼罩。
One More Thing
对了，除了DS之外，多模态这块，国产模型圈还有个事儿。
最近X上出了个「牛来」模型。。。
是的，就是那个电影院的《牛来》，火爆了，让海外AI圈知道了什么是真正的抽象。
实在太火，甚至OpenCode都为这款新模型启动了「一周限免」活动。
目前，牛来模型还没正式认领，但最多的猜测，指向了智谱。
对，DeepSeek曾经的盲人兄弟，智谱。。。
DeepSeek官方博客：https://mp.weixin.qq.com/s/UGMfvPMwBIB4oFYZZejekA
热门跟贴