8 月 21 日, DeepSeek 毫无预兆地推出了 V4 系列的首个视觉模型, 即 DeepSeek-V4-Flash-Vision-Exp, 当天 API 即可调用, 手机端的识图模式同步开启, 一句话总结此次更新, 文本能力毫无损失, 多模态 Agent 性能简直与 Opus-4.8 不相上下, 并且价格维持 V4-Flash 的原价。

01 V4-Flash 长眼了

原先是个存在偏向性的 DeepSeek, 其文本推理能力强大到令人惊悚, 然而面对图片时却全然不知, V4 整个系列都不存在视觉方面的能力, 若要使其具备看图能力, 那就得另外再加接一个别的模型, 如此一来一次任务便会产生两份费用账单。

8月时, DeepSeek的更新节奏紧密得令人惊恐, V4 Pro 0813正式版推出, API定价结构大幅调整, V4 - Flash的ARC - AGI分数通过第三方验证, 每举措都踏在行业关注点上，视觉是其对齐前沿实验室的最后一块能力拼图, 此次以实验版名义直接上线开启测试。

Vision - Exp 所填补的正是这一存在欠缺的部分, 官方的阐述十分克制, 其纯文本能力与 V4 - Flash 处于同等水平, 而在需要视觉理解的 Agent 任务方面有着显著的大幅提升, 它名字带有 Exp, 可以想见是实验版本, 先行上线以听取反馈, 其接口对三种协议均实现了全面兼容, 无论是 Chat Completions、Anthropic Messages 还是 OpenAI Responses 都能够进行调用, 拥有 1M 的上下文, 具备 384K 的最大输出量, 从其他模型进行迁移大致仅仅是修改一行 base_url 的操作之事。

02 「逼近 Opus-4.8」是什么概念

先说文本侧, 七项Agent评测之中, 六项比它自身的前身V4 - Flash - 0731超出了, 增添了眼睛后, 文本不但没下降反而有所提升, 这是最为难得之处, 即DeepSeek没有用文本质量去换取视觉效果。

先说清楚, 多模态基准的分量是什么。ApexBench、Agents' Last Exam、Chartography、ZeroBench, 这些名字听起来陌生, 然而它们并非简单的看图说话。读截图、读图表、读示意图, 被嵌入一长篇工具调用里, 考查的是带着眼睛干活的能力。纯文本模型面对这些题目, 只能依靠题干里的文字胡乱猜测, 那个成绩不算数, 仅仅是个盲猜基线。

四项多模态Agent基准之中, Vision - Exp跟Opus - 4.8打成2比2, Agents' Last Exam和ZeroBench这两项实现反超, ApexBench以及Chartography稍稍落后了些许。Terminal Bench 2.1取得分数83.9, 跟Opus - 4.8的85.0相比仅仅差了1.1分。

得说明一下, “逼近”是分项去对比, 并非整体实现超越, 像CyberGym这类任务, Opus - 4.8仍旧处于领先位置。不过呢, 评测方法是值得给予好评的: 所有公开基准都是在自家DeepSeek Harness的minimal模式下运行的, max effort、top_p 0.95、温度1.0, 且参数全部公开, 任何人都能够进行复现。第三方评测机构flowtivity的结论同样是直白的, 在十分之一的价格上打出2比2, 这并非是营销, 而是工程。

03 十分之一的价格买眼睛

这次定价可是非常狠辣的部分，Vision - Exp跟V4 - Flash完全处于相同价格, 输入每一百万token是0.22美元, 此为谷时价格, 输出为0.66美元, 峰时价格会翻倍, 然而Opus级别的前沿模型, 输入通常处于5到15美元这个档次。

须留意峰谷的划分, 峰时乃是 UTC 的两个窗口, 将其折算成北京时间, 是上午 9 点至 12 点以及下午 2 点至 6 点, 白天的工作时间恰好踩在峰价之上, 然而即便按照峰价计算, 输入 0.44 美元也仅仅是 Opus 级模型的零头, 缓存命中的输入更为便宜, 最低每百万 token 0.007 美元, 在长会话里同一批反复被引用的截图吃到缓存后, 成本趋近于零。

图片的计费办法更具讲究, 一张图片最多折合384个token, 与文字一同依照输入token计费, 不存在单独的视觉附加费用, 新智元算过一笔账, 1000张图, 成本大概1块钱, 在别家需单独计费的多模态能力, 在此处直接变为赠品, 还是满配版本的。

对视觉 Agent 来讲, 这个账不能这样计算。因截图式工作流变成本质上烧的乃是输入 token, 每张截图的单价直接决定此类 Agent 究竟是奢侈品还是日用品。除此之外, 并发限制设定为 2500, 这是 V4-Pro 的 5 倍, 批量跑截图任务的门槛也随之降低了。这样可以吗?

04 第三方实测：不只看图说话

媒体在第一时间就上手了, 新智元向其丢过去一张 OpenAI 官网截图, 要求按照 1:1 进行复刻成为单文件 HTML 格式, 布局模样、色值情况、间距长短、交互方式这几方面全部都要还原, 它先是把那张图拆分成结构描述内容, 接着逐字逐行翻译成代码程序, 交出来的网站几乎是一模一样的, 更换成另外一道题目, 让它去做精品咖啡烘焙工坊的 B 端提案内容, 产出一份 11 页的完整 PPT 文件。

潮新闻的记者传了一张猫咪的照片, 它瞬间就判定这是英短银渐层, 并且还能条理清楚地罗列出毛色分布、爪垫颜色、眼线特征等这些辨识的依据。偶尔它会对网络上的热梗产生一些可爱的幻觉, 然而这恰恰表明多模态推理链已然打通: 它并非只是在描述图片, 而是在结合所看到的内容进行思考。

跑了一个 46 分钟 dsh 会话的 Flowtivity 创始人 AJ Awan 给出的评价更直接, 他说纯文本 V4 Flash 用 109 步搭出一个完整应用, 其原话是「这是 AI 的作弊码」, 现在同一个 Harness 有了眼睛, 能读仪表盘, 能解释 UI 截图, 能驱动视觉工作流, 日志和界面从此一套模型全包。

05 说到底

同一天, DeepSeek Harness 发布了 v0.1.1 - rc.1版本、该版本做到了开箱便支持新模型、还顺便修复了一个沙箱逃逸漏洞、此漏洞是受限进程此前能够借助 /proc/pid/root 绕过 Bubblewrap 的隔离、此外工具链和模型在同一日各自都向前迈进了一步、而这个节奏本身就已经在表明问题了。

此次存在保留事项, 即未开放权重下载, Exp 实验版仅通过托管 API 运行, 那些希望在自身机器上运行的人员, 尚需继续等待。

以下是改写的句子: 对于开发者而言, 其意义算得上是最为直接的那种, 以往文本 Agent 以及视觉理解属于两个不同的模型, 有着两份账单, 存在两套关于错误处理的方式, 并且中间还得自己去编写路由逻辑, 而如今仅仅通过一个 model 字段进行切换以后, 剩下的相关事宜 DeepSeek 都按照文本的价格来计算了。

回溯整个 V4 时代, DeepSeek 的打法已然极为明晰, 先是将文本 Agent 提升至旗舰水准, 紧接着以十分之一的代价把视觉能力附加其中。当眼睛便宜到按张计费近乎能够忽略不计之际, 观看屏幕劳作的 Agent 便从演示品转变为日常用品。接下来值得密切关注的, 是这双眼睛何时从实验性变为正式版本, 以及开源权重那扇门何时敞开。