被“看图识人”气笑后，我测了下DeepSeek刚出的这个“视觉模型”

最近想折腾点自动化的小工具，但一碰到处理截图、识别界面元素这种事儿就头疼。之前用的纯文本模型遇到图片只能“编”一个分析工具来应付，帮不上什么忙。正好看到DeepSeek刚开源了它的第一个多模态模型DeepSeek-V4-Flash-Vision-Exp，说是给AI装上了“眼睛”，价格还和纯文本版一样。我心想这好事儿得试试啊，用了几天，说几个真实感受——有好有坏，不吹不黑。

一、这双“眼睛”到底能干啥？

简单说，这个模型就是在原来的DeepSeek-V4-Flash纯文本模型上，加了一个“看图”的DLC扩展包，而且价格不变。

它支持在文本之外输入图片，可以让模型描述图片、识别截图中的文字、分析图表等，支持的图片格式包括JPEG、PNG、GIF、WebP。对于开发者来说，可以通过设置 model='deepseek-v4-flash-vision-exp' 来调用API，支持Chat Completions、Messages、Responses三种调用格式。

几个关键参数值得注意：

定价与V4-Flash一致：一张图片最多占384个token，按token计费，没有额外的视觉处理溢价。对比一下，GPT和Claude处理同等分辨率的图片通常要消耗800到1100个token。
1M超长上下文：最大输出长度384K，支持JSON Output、Tool Calls等。
官方明确标注为“Exp”实验版本，不建议直接用于生产环境。

二、实测：哪些场景靠谱，哪些场景翻车

场景一：图表识别——靠谱

我拿了一张折线图喂给它，让它分析趋势。结果折线图能读懂、粉丝增长正负能判断、二次计算也能做。在Chartography这项图表理解评测中，Vision-Exp拿到了64.3分，接近Opus-4.8的65.0分。日常工作中处理报表、看数据图表，这个能力完全够用。

场景二：OCR文字识别——精准

找了一张带错误的发票截图扔进去，识别结果非常精准，而且我没有告诉它要找出错误，它也顺便把问题给指出来了。截图转文字、文档图片内容提取这类活儿，Flash Vision基本能搞定。

场景三：代码/UI复刻——勉强能用

有人做了个实验：让模型用HTML复刻一个复古掌机。第一次纯文字描述，效果按钮布局明显不对劲；第二次给了实机参考图改了一版，大体结构有了，但菜单文字溢出错位；第三次对着标注图继续改，诡异的事情发生了——它读到了“删除黑×处阴影”的指令并执行了，但红圈和黄圈两处标注的目标位置，模型完全没动，只是把阴影颜色改成了标注用的颜色。

这个行为模式很有意思：如果真“看见”了标注圈，不会把“圈”理解成“换颜色”；但如果是有个人在旁边说“把这两处阴影一处改红色一处改黄色”，这个反应就完全说得通。

场景四：身份识别——大型翻车现场

我把DeepSeek创始人梁文锋的照片发给AI，结果模型思考了1分29秒后，信心满满地告诉我，照片中的人物是泡泡玛特的CEO王宁。也有其他网友试了，有识别出张雪峰的、有识别出张一鸣的、还有识别出是Kimi创始人杨植麟的，一个比一个离谱。

更有开发者给模型看一张三位长相气质相似的演员同框照，DeepSeek不仅认不出来，还把三个人都当成同一个人。同一个测试，豆包直接标出三位演员的名字和曾用名。

场景五：数数/细粒度识别——基本报废

最直接的翻车来自“数矩形”实验——图上只有3个大矩形，模型答出4个，连基本数量都数错，后面推理自然全错。这个任务靠文字描述几乎不可能完成，属于典型的“看图说话”失灵。

社区实测反馈比较实在：细粒度视觉推理还有提升空间，比如读钟表指针、辨认地标这类任务，暂时不如字节的Seed模型。

三、横向对比：和竞品比怎么样？

官方给出的基准测试数字挺唬人：

评测项目Vision-ExpV4-Flash-0731Opus-4.8Terminal Bench 2.183.982.785.0DeepSWE59.354.458.0ApexBench (Pass@1)36.526.239.4Agents' Last Exam27.325.225.7Chartography64.3-65.0

数据来源

在需要视觉理解的Agent Benchmark上，Vision-Exp相比纯文本的V4-Flash实现了大幅跃升，多模态Agent能力已接近Opus-4.8。在ApexBench等四项多模态评测中，甚至与Opus-4.8打成了2:2平手。

但跑分归跑分，实际体验是另一回事。身份识别翻车、数数都能数错，说明细粒度视觉理解还有很长的路要走。