昨天（8月21日）DeepSeek官方又低调发布了新模型：deepseek-v4-flash-vision-exp，这次是真的是原生支持多模态了。众所周知，deepseek的模型在文本能力和性价比上一直很强，但是天下苦deepseek没有多模态久矣。遇到图片就掉链子。而这次的v4-flash-vision-exp版本，官方给出的定义是“全新的多模态视觉理解模型”，从版本号来看，应该是在V4-Flash的基础上继续进行了针对性的训练和优化。官方跑分
图中三个模型分别是 V4-Flash-Vision-Exp、V4-Flash-0731，以及 Claude Opus 4.8。总体看，Vision-Exp 在大多数项目上都比 0731 有小幅提升，但与 Opus 4.8 之间仍然存在一定差距。
前面的Agent能力评分就不说了，单说说后面的“多模态Agent能力”评分。Chartography：专门测试复杂专业图表理解，不只是柱状图、饼图，而包括医学、工程、金融、制造业等专业图表。它强调视觉细节读取、坐标、空间关系和行业图表规范。Vision-Exp 是 64.3，Opus 4.8 是 65.0，已经非常接近。ZeroBench： 更极端，它就是为了让现有多模态模型“做不出来”而设计的，包含 100 道高难度视觉推理题，往往要求连续多步视觉分析。Vision-Exp 的 Pass@5 达到 35.0，而图中 Opus-4.8 是 34.0。ApexBench：多模态 Agent 综合任务，直接提升了 10.3 个点，约 +39%。Agents’ Last Exam： 长链路、真实职业工作型 Agent 任务。这个提升有限，但是 27.3 已经超过了Opus-4.8 的 25.7分。
应用场景
升级了多模态能力，官方还介绍了3个不同的应用场景：
1、制作PPT
2、对 DeepSeek Harness 官网进行二次创作
3、制作风格化前端动态特效
于是，我也赶紧拿出我的DeepSeek Harness ，切换到deepseek-v4-flash-vision-exp模型。打算尝试一下多模态能力。
方法很简单，直接通过设置model=‘deepseek-v4-flash-vision-exp’访问该模型。
或者在设置中增加’deepseek-v4-flash-vision-exp’模型ID。
模仿官方的案例，我也让DSH帮我生成一个介绍deepseek-v4-flash-vision-exp的ppt，要求高端大气上档次！
为了做对比，我分别使用 deepseek-v4-flash-vision-exp 和deepseek-v4-flash 两个模型都跑了一遍，下面看看对比效果：
deepseek-v4-flash-vision-exp
deepseek-v4-flash
可以看出“有眼睛”跟“没眼睛”的差距还是挺大的
价格
我认为尽管多模态还有跑分很亮眼，但是有一个容易被人忽略的细节，那就是价格。官方描述“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，计费价格与 V4-Flash 模型一致”。DeepSeek 的 API 同时支持图文混合输入、Base64、URL 和 Files API，Files API 还允许图片上传一次之后通过 file_id 重复引用。这件事对于真正做 Agent 的开发者可是很重要的。因为很多Agen任务，比如 Computer Use Agent 一个任务可能连续读取几十张甚至上百张截图。视觉输入成本如果太高，Agent 每多思考一步，都在增加视觉 token 成本。而如果视觉输入极低成本，那么你可以让 Agent 高频的“截图 → 判断 → 操作 → 截图 → 判断 → 操作”，这会明显改变 Visual Agent 的工程经济性。“便宜、推理强、代码强，能看见环境并执行任务”， 这是V4-Flash-Vision-Exp视图给自己打上的标签，这也符合真正适合 Agent 时代的基础模型的定位。
总结
V4-Flash-Vision-Exp 最大的意义不是 DeepSeek 多了一个“会看图的模型”，而是 DeepSeek 第一次真正具备了构建低成本多模态 Agent 基座的条件；从目前的跑分来看，它很有潜力。但是准确率、稳定性、细节识别、延迟等还要经过时间的验证。它现在叫 Exp，其实也说明 DeepSeek 自己还没有把它定义成最终成熟版本。
