DeepSeek，能看懂图了

2026年8月21日下午，DeepSeek官方API文档的“模型细节”页面出现了一个新的名字：deepseek-v4-flash-vision-exp。

一个实验性质的模型。DeepSeek V4系列首款原生支持图片输入的视觉模型。纯文本能力与V4-Flash正式版持平，视觉理解能力大幅提升，多模态Agent能力已接近Anthropic的旗舰模型Opus-4.8。

上线时间，恰好是DeepSeek Harness发布一周之后。

一周前，DeepSeek的模型还看不见图。

——

一周前，它还看不见

2026年4月下旬，DeepSeek发布V4预览版，包括V4-Pro和V4-Flash两个版本。当时的升级重点放在Agent、推理和长上下文上，没有公布视觉输入能力。8月13日，DeepSeek更新V4-Pro并开放Harness。Harness试图把模型、工具、技能、会话、沙箱、存储和Agent Loop放进一套可组合的运行框架中。

但一个非常实际的问题很快暴露出来：DeepSeek自己的模型没有视觉能力。

过去一周，在DeepSeek Harness的GitHub讨论区里，“怎么让DeepSeek看图”已经成为一个高频问题。有开发者上传图片时，Harness会直接返回一行报错：MODEL_DOES_NOT_SUPPORT_IMAGES。原因是V4 Flash和V4 Pro在模型目录里都被声明为纯文本模型，输入模态只有text。图片甚至无法进入会话。

于是社区开始自己给DeepSeek“装眼睛”。一种方案是在DeepSeek前面再接一个Qwen-VL等视觉模型，先把图片转换成文字描述，再把文字交给DeepSeek推理。另一种方案尝试修改Harness，让图片先保存到工作区，再由视觉插件读取。过去几天，GitHub上已经出现多个类似的vision bridge插件。

形成了一副略显尴尬的局面：DeepSeek刚发布了一套高度插件化的Agent Harness，Agent已经能够调用终端、文件、代码和外部工具，但面对最常见的截图、网页图片和报错界面时，仍需要借用其他公司的模型。

V4 Flash Vision Exp的出现，开始补上这块拼图。

——

能力接近Opus-4.8

从跑分数据看，视觉版本的提升是结构性的。

纯文本能力方面，V4-Flash-Vision-Exp与V4-Flash正式版持平。换句话说，增加视觉能力并没有牺牲文本处理能力。

在需要视觉理解的Agent Benchmark上，提升则相当明显。多模态Agent能力已接近Opus-4.8。具体到各项基准测试：Terminal Bench 2.1得分83.9（V4-Flash 82.7，Opus-4.8 85.0）；NL2Repo得分57.7（V4-Flash 54.2，Opus-4.8 69.7）；Toolathlon-Verified得分75.9（V4-Flash 70.3，Opus-4.8 76.2）；DeepSWE得分59.3（V4-Flash 54.4，Opus-4.8 58.0）。

ApexBench（Pass@1）从26.2跃升至36.5。Chartography图表理解得分64.3，接近Opus-4.8的65.0。ZeroBench（Pass@5）得分35.0，超越Opus-4.8的34.0。

模型基于2840亿参数的MoE架构，采用HCA和CSA技术压缩KV缓存，可将百万Token推理算力需求降低73%。具备100万上下文窗口，最大输出长度384K。

DeepSeek正在补齐一套Agent系统最基础的感知入口。

——

不涨价的视觉

更值得注意的是定价。

视觉模型最容易被质疑的一点是：加了视觉能力，价格会不会涨？

DeepSeek的答案是：不涨。

计费价格与V4-Flash模型完全一致。图片会转换成Token后按Token计费，一张图片最多占384个Token。缓存命中情况下，空闲时段输入0.05元/百万Token，高峰时段0.10元；缓存未命中空闲时段1.5元，高峰时段3元；输出空闲时段4.5元，高峰时段9元。

“一张图最高只要0.001元”。与V4-Flash价格一致，而V4-Flash此前以“价格低至竞品1%”著称。

作为对比，Anthropic Opus 4.8的输出定价约为25美元，而DeepSeek V4 Flash的输出定价约0.28美元。差了两个数量级。

多模态API支持Chat Completions、Messages、Responses三种格式调用，支持图文混合输入，支持base64内联、外部URL、Files API三种图片传入方式。Files API同步上线，不收费，用户可先将图片上传到平台，再在请求中通过file_id引用，同一张图片在多个请求中无需重复上传。

DeepSeek正在用一贯的打法进入多模态赛道：性能接近，价格打一到两个数量级。

——

Agent时代的视觉拼图

V4 Flash Vision Exp的战略意义，不止于“能看懂图”本身。

8月19日，DeepSeek Harness发布v0.1.0-rc.8版本，带来14项更新，涵盖多模态输入、子Agent协作等能力。8月21日，视觉模型上线。一周之内，Harness先支持多模态输入，视觉模型再上线——工具链和模型在同一条时间线上完成闭环。

此前的Harness更新已经提前写好了视觉能力的接口。Release Notes明确增加了一项功能：“增强多模态支持度，DeepSeek模型适配器支持配置启用原生图片请求”。与此同时，/goal、/plan等命令开始支持图文输入。

这个变化刚出现时，很多开发者就在猜测：DeepSeek自己的视觉模型是不是要来了？

8月21日，答案揭晓。从时间线上看，DeepSeek对视觉能力的准备其实已经提前写进了Harness。

招商证券此前研报指出，DeepSeek Harness的战略意图是成为“Agent时代的安卓”。视觉模型的加入，恰恰补上了Harness多模态能力的关键一环。

当Agent能够同时处理文本和图像，能调用的工具范围就从“纯文本世界”扩展到了“包含图片、截图、文档、网页的完整数字世界”。一个能看图的Agent，意味着它可以读取软件界面截图并分析问题、理解文档页面和表格内容、识别错误信息并协助调试、根据视觉素材辅助内容生成。

AI Agent的竞争，正在从“能不能回答问题”转向“能不能真正干活”。而视觉能力，是“真正干活”的入场券。DeepSeek用一款不涨价的实验模型，拿到了这张入场券。

至于实验版之后，Pro版什么时候来——那可能是下一个悬念。