8 月 21 日，DeepSeek 悄悄上线了第一个视觉模型 V4-Flash-Vision-Exp。官方说它的多模态（同时处理文字、图片等多种信息）Agent（能自主完成多步任务的 AI）能力接近 Claude Opus-4.8，但 API 价格一分没涨 — 我们注意到，这是中国大模型第一次在多模态实用环节摸到第一梯队门口。

这是什么

DeepSeek 上线的是 V4-Flash-Vision-Exp，一个实验性质（Exp = Experimental，未来可能调整）的视觉理解模型。简单说：DeepSeek 以前只能读字，现在能看图了。

几个关键点：

  • 文本能力没缩水：和纯文本版 V4-Flash 在推理、世界知识等任务上基本持平
  • 视觉是新加的：在需要看图的 Agent 评测（标准化的能力对比测试）上，从原来基本忽略视觉到接近 Opus-4.8
  • 价格和 V4-Flash 一模一样：图片按尺寸换算成 token（模型处理文字的最小单位），一张图最多 384 tokens
  • 支持 JPEG、PNG、GIF、WebP；并发上限（同时处理的请求数）2500；文件 API（上传后可复用的接口）免费

对开发者来说，最直接的变化是：以前做 Agent 时遇到看图场景，得先调一个第三方模型把图转成文字再喂给 DeepSeek，现在可以一个模型端到端（一次调用完成全流程）处理。

行业怎么看

兴奋点很清楚：截图报错识别、UI 设计稿还原、文档结构化这些过去要靠人肉处理的工作，现在理论上可以接进自动化流程。

不过有冷静声音。值得关心的风险是「实验版」三个字 — Exp 是 Experimental 的缩写，意味着 API 接口和参数未来可能调整，现在就拿去做生产环境（正式上线、对用户开放的系统）项目的团队需要做版本兼容。

另一个长期疑虑：多模态模型对算力（GPU 运算资源）的消耗通常高于纯文本模型。DeepSeek 能维持原价更像是阶段性让利，长期成本是否会上行还不确定。官方这次也没公布视频、音频能力，定位明显是「先补齐图像刚需」而非全面对标 Opus。

对普通人的影响

对企业 IT：截图报错识别、扫描件结构化等技术可以接入自动化，但「能接」不等于「接好」，准确率需要内部测试验证。

对个人职场：日常处理大量图片的工种（设计、运营、财务）会最先感受到变化，但能否真的省时间，取决于企业有没有把它接进现有工具链。

对消费市场：消费级 App 短期不会有体感。多模态能力首先落地在企业开发场景，面向普通用户的新产品要等三四个月才会陆续出现。