8月21日下午，DeepSeek在API平台上线了实验性多模态视觉理解模型，型号是DeepSeek-V4-Flash-Vision-Exp。这是V4系列首次加入视觉能力，腾讯科技的评价很到位：「DeepSeek终于长出了眼睛」。
这个模型能做什么
从官方信息看，这个模型支持图片输入，在Terminal Bench 2.1基准测试中得分83.9，多模态Agent能力已经接近Opus 4.8的水平。说白了，就是DeepSeek现在不仅能读文字，还能看图了。
兼容Chat Completions、Messages和Responses三种请求格式，每张图片最多计费384个token，按V4-Flash标准定价。对开发者来说，接入成本很低，V4-Flash本来就是DeepSeek性价比最高的模型之一。
为什么这件事重要
DeepSeek之前的短板很明显：纯文本能力已经很强了，但没有视觉能力意味着很多场景做不了。图文理解、文档OCR、视觉推理、图片分析，这些需求在市场上占比很大。没有视觉能力，就像一个只有一只手的工人，能干很多事但总归不完整。
现在补上了这块短板，DeepSeek的全家桶才算真正完整。特别是对做Agent的开发者来说，一个能同时理解文字和图片的模型，能力边界会大幅扩展。想象一下，你的AI助手现在可以看图、理解截图、分析图表，应用场景一下就多了。
实验性三个字值得注意
型号里带Exp后缀，说明这还是实验版本。官方说法是「纯文本能力与V4-Flash正式版保持一致」，但视觉部分显然还在调优阶段。对生产环境来说，可能还需要等正式版出来才稳妥。
不过从策略上看，先放实验版让开发者测试反馈，再推正式版，这个节奏是合理的。大厂的模型发布套路都是这样，先小范围验证再全面铺开。
多模态竞争的白热化
2026年下半年，几乎所有主流大模型都已经具备了多模态能力。Claude、GPT、千问、GLM，大家都在卷视觉理解。DeepSeek这一步虽然来得稍晚，但以它一贯的性价比策略，一旦正式版出来，很可能快速吃掉一部分中低端视觉理解市场。
对开发者来说，选择更多是好事。模型越卷，价格越低，能力越强，最终受益的是做产品的人。DeepSeek长出眼睛，不只是它自己的里程碑，也是整个行业多模态竞争进入深水区的又一个信号。"
V4-Flash的定价本来就便宜，加上视觉能力后性价比应该很强了。不过多模态这块竞争太激烈了，千问、GLM都有视觉模型，DeepSeek要想杀出来还得看正式版的表现。
「DeepSeek终于长出了眼睛」这个标题绝了? 确实，一个没有视觉能力的模型在2026年就像一个没有摄像头的手机
Exp版本就放出来让开发者测试，这个做法挺好的。既能收集反馈又不用承担生产环境的压力。不过384 token一张图的计费方式，批量处理图片的成本需要算一下。
DeepSeek终于有视觉能力了，等了好久。之前做文档分析只能用别的模型，现在可以直接用V4了，成本能降不少。
83.9分接近Opus 4.8？这个数据需要看具体测试项。基准测试得分跟实际使用体验还是有差距的，等正式版出来我跑几个实际任务试试。