DeepSeek V4终于补上视觉：多模态Agent能力逼近Opus 4.8

DeepSeek 的 Agent 路线，终于补上了视觉这一块。

就在今天下午，DeepSeek 正式上线实验性多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，并同步开放 API。用户只需将模型名称设置为 deepseek-v4-flash-vision-exp，即可在原有 V4-Flash 的基础上加入图片理解能力。

按照 DeepSeek 公布的数据，新模型在纯文本 Agent、推理和世界知识等能力上与正式版 V4-Flash 基本持平，而在需要视觉理解的 Agent Benchmark 上出现明显提升。DeepSeek 称，其多模态 Agent 能力已经接近 Claude Opus 4.8。

这次更新其实延续了 DeepSeek 最近一个相当清晰的方向：把模型能力进一步推向 Agent。

在今年 4 月 V4 发布后，DeepSeek 一直在强化工具调用和 Agent 能力。7 月底更新的 V4-Flash 已专门针对 Agent 做过后训练，8 月 13 日正式版 V4-Pro 又进一步提升了生产环境中的 Agent 表现，并原生支持 Responses API。与此同时，DeepSeek 最近还开放了自家的 Agent 框架 DeepSeek Harness，试图把模型、工具调用、文件操作、搜索、子 Agent 等能力组织进同一套工作流。

此前，视觉是这套体系里此前比较明显的一块缺口。 但在昨天，Harness v0.1.0-rc.8 更新中，DeepSeek 已经加入更完整的多模态支持：模型适配器可以配置原生图片请求，/goal、/plan 等指令开始支持图文输入，同时还修复了大尺寸图片和历史图片过多导致请求失败的问题。现在随着 V4-Flash-Vision-Exp 上线，Harness 不再只是“接口上做好了看图准备”，而是有了 DeepSeek 自己的原生多模态模型可以接入。

从跑分看，新模型的提升并不主要来自文本能力。在考察终端环境复杂任务执行能力的 Terminal Bench 2.1 上，新模型从 V4-Flash 的 82.7 提升至 83.9；在面向真实软件工程长任务的 DeepSWE 上，从 54.4 升至 59.3；NL2Repo 和 DSBench-Hard 也分别提升至 57.7 和 63.6。整体来看，新模型原本已经较强的 Coding Agent 能力继续小幅上升。

更明显的变化出现在视觉任务上。比如在考察专业图表理解能力的 Chartography 中，新模型达到 64.3（p0.95）；此外，ApexBench Pass@1 为 36.5，Agents' Last Exam 为 27.3，ZeroBench Pass@5 为 35.0。DeepSeek 特别说明，旧版 V4-Flash 在 ApexBench 和 Agents' Last Exam 中会直接忽略其中的多模态信息，因此这部分差距更能反映加入视觉能力后的变化。

（来源：DeepSeek）

这对于 Agent 的意义，比普通的“看图问答”更大。现实中的 Agent 很多时候并不是只在文本和代码之间工作。它需要读网页布局、判断按钮位置、理解截图和图表、查看生成出来的 PPT 或网页效果，再根据视觉结果继续修改。也就是说，只有能“看见”自己的工作结果，Agent 才更容易形成完整的执行闭环。

DeepSeek 官方展示的三个案例也都指向这一点：一个是自动制作高端西藏自驾游 PPT，一个是根据视觉要求重新设计 Harness 官网，另一个则是制作带 3D 黏土怪物动态效果的前端 Demo。它们都不只是识别一张图片，而是需要让模型在长链条任务中同时处理视觉信息、代码和工具调用。

（来源：DeepSeek）

API 层面，DeepSeek 也直接围绕 Agent 使用做了适配。V4-Flash-Vision-Exp 支持 Chat Completions、Messages 和 Responses 三种格式，图片可以通过 Base64、外部 URL 或 Files API 传入。图片会转换成 token 计费，单张图片最多占 384 tokens，价格与 V4-Flash 保持一致。新上线的 Files API 还允许同一张图片上传一次后，在多个请求中通过 file_id 重复调用，减少重复传输。官方文档显示，目前 Files API 支持 JPEG、PNG、GIF 和 WebP。

（来源：DeepSeek）

当然，这并不是 DeepSeek 第一次做多模态。早在 2024 年，DeepSeek 就发布过 DeepSeek-VL，随后又推出统一多模态理解与生成模型 Janus。不同之处在于，这一次视觉能力第一次真正进入 V4 主力模型、官方 API 和 Harness Agent 工作流。

目前 V4-Flash-Vision-Exp 仍然带着 “Exp” 后缀，DeepSeek 也明确将其定义为实验模型，尚未公布新的开源权重或完整技术报告。因此，它还不能被视为 V4 多模态能力的最终形态。

但从最近几次连续更新来看，DeepSeek 的路径已经越来越明确：V4 负责模型能力，Harness 负责把模型接入真实任务，而视觉则让 Agent 从主要处理文本和代码，进一步开始理解屏幕上的世界。

参考资料

1.https://api-docs.deepseek.com/updates/

2.https://api-docs.deepseek.com/quick_start/pricing/

3.https://api-docs.deepseek.com/news/news260424/

4.https://github.com/deepseek-ai/DeepSeek-Harness

5.https://github.com/deepseek-ai/DeepSeek-VL

6.https://github.com/deepseek-ai/Janus

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成