#DeepSeekV4视觉模型上线#
今天 DeepSeek 上线了一个很容易被低估的模型：DeepSeek-V4-Flash-Vision-Exp。
表面看，是 DeepSeek V4-Flash 终于加入了视觉能力。
但我觉得真正重要的不是“DeepSeek 也能看图了”，而是 DeepSeek 正在从一个擅长文字、推理和代码的大模型，正式向真正的多模态 Agent 底座迈过去。
这两者的区别非常大。
过去的大模型更像一个坐在电脑前、但只能听你转述屏幕内容的高手。你可以把代码、文档、日志复制给它，它可以分析得很好；但一旦任务变成“看看这个网页哪里有问题”“根据截图操作软件”“读这个复杂图表然后继续执行”，模型就缺了一双眼睛。
DeepSeek V4 此前其实就存在这个问题。
官方过去的文档明确写过，V4 本身是纯文本模型，像 GitHub Copilot 这类产品如果给 DeepSeek 输入图片，需要先调用其他视觉模型把图片描述成文字，再交给 DeepSeek。(DeepSeek API Docs)
这意味着过去的 DeepSeek Agent，本质上经常是：
别人负责看，DeepSeek 负责想。
而今天 Vision-Exp 上线以后，开始变成：
DeepSeek 自己看、自己理解、自己推理，再自己调用工具完成任务。这才是这次更新真正值得注意的地方。
从 DeepSeek 公布的数据看，Vision-Exp 的纯文本 Agent、推理、世界知识能力基本保持在 V4-Flash 正式版水平，并没有为了加入视觉能力明显牺牲原本的文本能力。
一些 Agent 指标甚至继续提高：
Terminal Bench 2.1 做到 83.9，NL2Repo 57.7，DeepSWE 59.3，DSBench-Hard 63.6，Agents’ Last Exam 27.3。
而真正拉开差距的是需要视觉理解的 Agent 任务。
DeepSeek 给出的评价是：多模态 Agent 能力已经接近 Claude Opus 4.8。需要注意，这句话说的是“需要视觉理解的 Agent benchmark”，并不是说 Vision-Exp 的所有能力已经全面追平 Opus 4.8。(via：Reddit)
我反而觉得，这个限定让这件事更值得关注。
因为现在大模型竞争正在发生一个很明显的变化：
单纯回答问题的重要性正在下降，模型能不能真正完成任务的重要性正在提高。
未来 Agent 要操作浏览器，就必须看得懂网页；
要帮你做 Excel、PPT，就必须理解表格、图表和版式；要操作电脑，就必须识别按钮、菜单、弹窗和界面状态；要做金融、医疗、工业场景，就必须真正读懂专业图表，而不是只会 OCR 几行文字。
例如最近发布的专业图表理解 benchmark Chartography，就是专门拿医学、工程、金融等真实专业图表测试模型，研究发现大量错误并不是模型不会推理，而是第一步就“看错了”。(via：arXiv)
ZeroBench 更直接，它就是专门针对当代多模态模型设计的高难度视觉推理 benchmark，很多错误集中在识别、计数和视觉 grounding，而不是数学推理。(via：ZeroBench)
所以今天大模型要继续往 Agent 走，视觉不是锦上添花，而是基础设施。一个没有视觉能力的 Agent，就像一个智商很高但蒙着眼睛操作电脑的人。
这也是我认为 DeepSeek 今天这个实验模型意义最大的地方。
回头看 DeepSeek V4 最近几个月的路线，其实越来越清晰：
V4 先解决百万上下文、推理和 Agent 基础能力；
V4-Flash 把 Agent 做得更快、更便宜；
V4-Pro 再把复杂任务能力往旗舰模型推；
现在 Vision-Exp 把视觉输入接进 Agent。
下一步真正值得期待的，已经不是“DeepSeek 能不能识别一张猫的照片”。
而是它能不能看着你的电脑屏幕，理解当前状态，自己规划任务，自己操作浏览器和软件，在几十甚至上百步之后把事情真正做完。
如果这条路线继续往前走，DeepSeek 的竞争对象也就不只是 ChatGPT、Claude、Gemini 的聊天框了。
真正的战场会变成谁能成为未来电脑上的 Agent Runtime。模型负责大脑，Vision 负责眼睛，Harness 负责手脚，API 负责把这一切接进开发者的软件和工作流。
到了那个阶段，我们讨论的可能已经不是“哪个模型回答问题更聪明”，而是：你的电脑，到底准备让谁来操作。当然，现在这个模型名字里还有一个很重要的后缀——Exp。
实验模型意味着稳定性、视觉幻觉、复杂 GUI 定位、连续操作一致性以及实际成本，都还需要大量真实场景验证。所以现在就说 DeepSeek 已经全面追平最强多模态模型，还太早。
但我认为方向已经非常明确，DeepSeek 缺的那双“眼睛”，终于开始补上了。
而当一个原本就很擅长推理、代码和 Agent 的模型真正拥有视觉能力之后，可能比“多了一个看图功能”要重要得多。
因为下一代 AI 的终点，本来就不是陪你聊天。
而是替你看、替你想、替你操作，最后替你把事情做完。#deepseek##ai#
