DeepSeek多模态Agent来了：Vision-Exp让看图干活不要钱

8月21日，DeepSeek官方宣布V4-Flash-Vision-Exp上线API平台。

这个模型名字里带着"Exp"，说明还在实验阶段。但它干了一件以前没人做到的事：把视觉能力加到一个已经很强的纯文本模型上，而且文本能力一点没降。

Terminal Bench 2.1得分83.9，DeepSWE 59.3，超过Opus-4.8的58.0。在4项多模态Agent评测里，跟Opus-4.8打成2胜2负。官方用了一个词——"已接近"。

接近，但还没超越。 在更有挑战性的ApexBench上，差了3分。这3分意味着什么？意味着在真实的多模态Agent任务里，Opus-4.8依然保有优势。但考虑到这还是实验版，这个成绩已经足够说明问题。

---

为什么这个更新这么重要

过去一年多，DeepSeek一直是个"纯文本选手"。

V4、V4-Flash，这些模型在编程、推理、Agent任务上打得过很多竞品。但有个硬伤：它们看不懂图。

Agent要"看图干活"，缺视觉能力等于少了一条腿。文档截图、UI界面、图表数据，这些场景纯文本模型都处理不了。

这次Vision-Exp补上了这个缺口。

更关键的是定价策略。一张图片最多算384 token，按token计费，没有视觉处理溢价。

做个对比。GPT和Claude处理同等分辨率的图片，通常消耗800到1100 token。同一张图，DeepSeek的token开销不到竞品的一半。

这个数字背后是DeepSeek的"Thinking with Visual Primitives"框架在起作用。它把视觉元素压缩成空间坐标式的原语，而不是像竞品那样把整张图拆成密密麻麻的图像patch。

便宜，还不降质。 这才是DeepSeek真正的杀手锏。

---

多模态Agent能力的真实差距

先看几个具体数字。

| 评测 | V4-Flash-Vision-Exp | V4-Flash(纯文本) | Opus-4.8 |

|------|---------------------|-------------------|-----------|

| ApexBench | 36.5 | 26.2 | 39.4 |

| Agents' Last Exam | 27.3 | 25.2 | 25.7 |

| ZeroBench | 35.0 | - | 34.0 |

| Chartography | 64.3 | - | 65.0 |

ApexBench涨了10分，这是最直观的能力跃升。ZeroBench略超Opus-4.8，Chartography只差0.7分。

但官方也说了，测试用的是DeepSeek Harness极简模式框架，max档位、temperature=1.0、top-p=0.95。V4-Flash在ApexBench和Agents' Last Exam测试中会忽略多模态元素，所以两代模型对比并非完全同口径。

补上视觉输入后的能力跃升是真实的，但数字背后的测试条件也需要看清。

---

DeepSeek正在走一条不同的路

从V4预览版发布到现在119天，从V4-Flash正式版到现在21天，DeepSeek终于把视觉能力补齐了。

这背后是一个清晰的战略选择：不追参数，追实用。

V4-Flash的定价一直很低。Vision-Exp延续了这条路。一张图384 token，意味着用户可以用极低的成本让Agent看图、读图表、操作UI界面。

这对于那些需要频繁调用视觉能力的场景来说，是一个巨大的机会。

Agent时代的竞争，正在从"谁模型更强"转向"谁能让Agent更便宜、更好用"。

DeepSeek选择了一条务实的路：先把纯文本能力做到顶尖，再补上视觉短板，同时保持定价优势。这不是最激进的做法，但可能是最可持续的做法。

Opus-4.8依然在ApexBench上领先3分。这3分的差距，需要下一版来填补。但至少现在，DeepSeek已经站在了多模态Agent的牌桌上。

---

*本文综合自环球网科技、百度百科、微博文章等公开信息*