视频出海不用再来回切工具了：讯飞译制一站搞定字幕、翻译和AI配音（副本）
…
DeepSeek 终于开始认真补：
视觉能力。
继 8 月 21 日上线 API 后，DeepSeek 现在正式开放：
DeepSeek-V4-Flash-Vision-Exp
模型权重。
这是：
DeepSeek V4 系列首个实验性多模态模型。
总参数达到：
305B，也就是3050亿参数。
最关键的是，它并没有为了增加视觉能力，把原来的文本、Coding 和 Agent 能力砍掉。
官方给出的定位非常明确：
文本能力基本保持 V4-Flash 水平，同时加入视觉理解，让 Agent 真正开始“看着屏幕干活”。
一、不是生图模型，而是给 Agent 装“眼睛”
这里很容易误会。
DeepSeek-V4-Flash-Vision-Exp 并不是：
Midjourney；
Seedream；
GPT Image
这种图像生成模型。
它主要负责：
看图和理解图。
目前可以处理：
图片内容理解；
截图 OCR；
图表分析；
界面理解；
视觉问答；
图片 + 文本联合推理。
所以它真正适合的场景是：
看到网页
↓
理解界面
↓
分析问题
↓
调用工具
↓
继续执行任务这也是为什么 DeepSeek 更强调：
Multimodal Agent。
而不是单纯的 Vision Chat。
二、305B 参数，直接从 V4-Flash 长出了视觉能力
DeepSeek-V4-Flash-Vision-Exp 建立在：
DeepSeek-V4-Flash
架构之上。
在原来的语言模型基础上加入：
Vision Encoder；
Aligner；
视觉相关训练。
同时继续保留：
DFlash Attention；
MoE；
Hyper-Connections；
DSpark
等 V4 系列架构。
可以理解成：
原来的 V4-Flash 大脑没换，现在给它加了一双眼睛。
这样做最大的好处，就是已经训练好的：
Coding；
Agent；
推理；
世界知识
可以继续保留。
三、纯文本能力基本没掉
很多多模态模型都会遇到一个问题：
视觉加强以后，
文本能力反而掉了。
DeepSeek 这次特别强调：
Vision-Exp 的纯文本 Agent 能力和 V4-Flash 基本保持同一水平。
例如：
Terminal Bench 2.1：
83.9
V4-Flash：
82.7
DeepSWE：
59.3
V4-Flash：
54.4
Toolathlon-Verified：
75.9
V4-Flash：
70.3
也就是说：
加上视觉之后，它依然可以继续承担：
Coding Agent；
终端任务；
工具调用；
软件工程。
四、多模态 Agent 已经开始接近 Opus 4.8
真正值得看的还是视觉 Agent Benchmark。
目前官方数据中：
ApexBench
DeepSeek Vision：
36.5
Opus 4.8：
39.4
Agents' Last Exam
DeepSeek Vision：
27.3
Opus 4.8：
25.7
Chartography
DeepSeek Vision：
64.3
Opus 4.8：
65.0
ZeroBench
DeepSeek Vision：
35.0
Opus 4.8：
34.0
所以更准确的说法是：
DeepSeek-V4-Flash-Vision-Exp 的多模态 Agent 整体已经接近 Opus 4.8，并在部分测试上实现反超。
对于一个实验版开源模型来说，这个表现已经很猛了。
五、1M上下文 + 384K最大输出
API 版本还保留了 V4 系列的大上下文能力。
支持：
1M Token Context
最大输出：
384K Token。
这对于多模态 Agent 特别有价值。
因为一个复杂任务很可能同时包含：
代码；
几十张截图；
文档；
网页；
工具结果；
历史执行记录。
比如：
看这几个后台页面截图，对照代码仓库找出 UI 不一致的位置，然后直接修改前端代码并验证。
这已经同时需要：
视觉 + Coding + 长上下文 + Agent。
也是 DeepSeek 这次最想补齐的一块能力。
六、以后 Coding Agent 可以真正“看页面改代码”
这一点我觉得特别适合 Vibe Coding。
以前 Agent 修改前端：
主要靠代码猜。
它知道 CSS。
知道 React。
但不一定真正知道页面最后渲染成什么样。
有视觉能力以后，工作流可以进一步变成：
写前端
↓
打开页面
↓
读取截图
↓
发现按钮错位
↓
修改CSS
↓
重新截图
↓
再次检查也就是说：
视觉开始进入 Coding Loop。
以后让 DeepSeek 做：
网页；
Dashboard；
数据可视化；
浏览器自动化；
电脑操作
都会更加有意义。
七、图表分析也是非常实用的一块
视觉能力还有一个办公场景很容易被忽略：
图表。
例如直接扔一张：
销售趋势图；
财务报表截图；
Dashboard；
科研图表。
然后问：
哪个季度变化最大？结合图里的数据解释原因。
普通 OCR 只能：
把文字读出来。
多模态模型还需要理解：
坐标；
曲线；
颜色；
图例；
趋势；
空间关系。
DeepSeek 官方的 Chartography 已经做到：
64.3
和 Opus 4.8 的：
65.0
非常接近。
对于办公 Agent、科研 Agent 来说，会比较实用。
八、价格也直接沿用 V4-Flash
这次视觉能力并没有单独设置一套高价。
Vision-Exp API 直接沿用：
DeepSeek V4-Flash 价格。
国内当前高峰期：
缓存命中输入：
0.10 元 / 百万 Token
缓存未命中：
3 元 / 百万 Token
输出：
9 元 / 百万 Token
空闲时段全部：
半价。
图片则会先转换成输入 Token 计费。
单张图片最多计：
384 Token。
这意味着图片理解成本其实非常低。
如果大量 Agent 需要反复看截图、图表，这种价格会非常有竞争力。
九、这次是真的开源，MIT许可证
相比只开放 API，更值得开发者关注的是：
权重已经放出来了。
官方 Hugging Face 模型规模：
305B Parameters。
许可证：
MIT License。
同时已经提供最小 PyTorch 推理实现，并覆盖：
视觉编码；
Aligner；
DFlash；
MoE；
Hyper-Connections；
DSpark
等核心模块。
也可以结合：
vLLM；
SGLang
等推理框架进一步部署。
对于研究多模态 Agent、Coding Agent 和私有化部署的开发者来说，比只提供在线 API 更有价值。
十、这可能只是 DeepSeek 多模态路线的开始
模型名字里还有两个很重要的词：
Vision
以及：
Exp。
也就是：
实验版。
说明 DeepSeek 现在明显是在先验证：
V4 架构加视觉后，
到底能不能把：
文本 Agent；
视觉理解；
工具调用
稳定地融合在一起。
如果这条路线跑通，后面的 V4 正式多模态版本，大概率还会继续提升：
UI理解；
Computer Use；
视频理解；
视觉Agent；
复杂文档。
所以这次真正值得关注的不是：
DeepSeek终于会看图片了。
而是：
DeepSeek开始给Agent补眼睛了。
结语
DeepSeek-V4-Flash-Vision-Exp 这次可以记住几个关键词：
305B参数。
V4系列首个实验性多模态模型。
1M上下文。
384K最大输出。
MIT开源。
以及：
多模态Agent能力接近Opus 4.8。
它并没有走：
“单独做一个很会看图片的视觉模型”
这条路线。
而是把视觉直接加进现有：
Coding + Reasoning + Agent
能力里面。
这会带来一个非常有意思的变化：
以前 Agent 只能：
读代码、读文字。
以后它开始可以：
看网页、看截图、看图表，再继续调用工具把任务做完。
对 DeepSeek 来说，这可能比做一个普通的“看图聊天模型”重要得多。
因为真正进入 Agent 时代以后：
模型不只需要一颗大脑。
还得：
看得见。
评论 0
最新评论登录后发布评论并参与互动。
暂无评论，欢迎抢沙发。