今年4月，DeepSeek多模态团队的人在X上发过一张"盲鲸长出眼睛"的图，评论区一片"到底什么时候能用上"。8月初，有人受不了了——写了一个桥接项目，让你在Codex里用V4-Flash时外挂一个读图模型，曲线实现"差不多多模态"的体验，微博上一百多人点赞收藏。微博
现在不用桥了。8月21日，DeepSeek-V4-Flash-Vision-Exp直接上线API；8月31日深夜，权重挂上HuggingFace，MIT License。知乎 三天过去，开发者社区的实测、拆解和争议一起涌出来。先说结论：这不是"又多一个看图模型"的新闻，而是开源Agent栈里最后一块拼图落位；但它是Exp，眼睛能看清路，还画不好像素。
这篇不堆参数，就回答三件事：它到底是什么、你的Agent现在该不该接、接了哪里会踩坑。
一、先把时间线和规格钉死
8月21日：API平台先开放调用。36氪当天报道的标题很直白——“1000张图只要1块钱”。36氪
8月31日：HuggingFace放出权重、Tokenizer、Prompt Encoding参考实现和一份最小化PyTorch推理代码，覆盖视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections、DSpark等核心模块，MIT协议，商用不收费。先API后开源的十天间隔，定位很清楚：它首先是DeepSeek自己的服务能力，开源是生态策略。
规格：稀疏MoE，总参数约305B、每token激活约13B，上下文1M、最大输出384K，与V4-Flash同档。
关键的不是这些数字，而是架构描述：它不是重新训练的独立视觉模型，而是在V4-Flash-0731文本底座上接入视觉编码器和Aligner持续训练出来的。官方明确说加视觉后纯文本能力没有缩水，Agent、推理、世界知识任务与V4-Flash正式版持平。评测口径上，官方措辞也很克制——“多模态Agent能力接近Claude Opus 4.8”，不是超越。知乎 第三方汇总里ApexBench冲到36.5分，在Chartography这类图表基准上提升明显。知乎
二、拆代码你会发现：这双眼睛真是给Agent装的
知乎上有团队把开源代码的视觉链路完整拆了一遍，几个细节值得所有Agent开发者看：
图片在主干里不装成人。视觉token被放在词表（129280）范围之外，模型靠`input_ids >= vocab_size`一眼识别"这是图"。MoE路由还给了视觉token一套专用的`bias_vl`——256个专家、每token激活6个，但图片和文字选专家时的排序影响因子不一样。知乎
单图384 token是真预算，不是营销。32层ViT先按14×14切patch、用二维RoPE建空间关系（这个设计对GUI很关键：按钮位置、表头对应、弹窗覆盖，全靠二维结构），然后Aligner把相邻3×3特征合并压缩，横竖各缩3倍，进入语言主干时单图预算`vision_max_n_token=384`。密度留给"看"，成本砍在"进脑"这一刀。
计费跟着设计走。请求前图片等比缩到约800×800等效像素，所以2000×2000和5000×5000的图token消耗一样；detail参数low档再缩到512×512。图片按V4-Flash文本价计费，不单独收"图片服务费"。
Files API暴露了真实使用场景。为什么要传一次文件、复用ID？因为官方想清楚了：Agent在任务闭环里会反复看同一张截图——先看、再推理、再执行、再看结果。base64每轮重传整张图是浪费。知乎
还有个容易被忽略的配套动作：DeepSeek自家Agent运行框架Harness 0.1.1在同一天原生支持了这个模型。知乎 而Harness这个月刚把Claude Code、Codex收编成子代理当"调度层"用——模型、执行框架、开源协议三条线拧在一起，意图不难读。
三、成本要算两笔，第二笔才咬人
第一笔便宜得反常：单图折算384输入token、按文本价，看1000张图约一块钱（API上线时36氪报道口径）。"视觉=价格翻倍"的行业惯性，这次没成立。
第二笔是频率。视觉Agent每轮观察都要重跑一遍缩放、patch化、32层ViT和Aligner，再进主干prefill。一个50步的浏览器Agent，每步看一张新截图，光图像侧就是约2万输入token——钱还是小头，大头是重复计算：相邻两张截图往往只变了一个按钮、一个弹窗，现在的链路还是整张重进ViT。知乎 拆解文章里点破了这一点：视觉缓存、帧差分发、DOM+视觉混合表示，都是留着的坑，也是留着的优化空间。
顺带一个同周被讨论的账单细节：推理类模型的思维链按输出token计费，跑Agent时这段"内心戏"容易被忽略。视觉+推理双开之后，账单结构比多数人想象的复杂，上线前务必用真实轨迹测一轮端到端成本，而不是拿单次问答价格外推。
四、社区实测地图：强在哪、虚在哪、本地能不能跑
把B站、微博和公众号这几天的实测横着拼起来，边界其实很清楚：
稳的：错误日志、验证码、页面内容理解这类"看懂"任务基本没问题；图表/报表解析在Chartography等榜单提升有社区复现；"截图→可运行网页"的演示在多个评测里出现。
虚的：像素级前端还原还不行。8月30日起就有B站UP主实测直言"内容理解没问题，前端还原还不行"——想拿它替代设计师走查还原度的，再等等。哔哩哔哩
对手路线：8月27日智谱开源GLM-5.3-Flash，此前刷屏的匿名模型OX-Alpha就是它，主打原生多模态、匿名测试流量跑在国产芯片上。有UP主拿它和V4-Flash-Vision做过前端视觉对比测试——两家Flash路线的多模态各有胜负，手里有国产算力或已接智谱的，不必急着单押。哔哩哔哩
本地部署：HuggingFace上已经出现面向llama.cpp、LM Studio、Ollama的量化版本，门槛在降。知乎但305B总参数摆着，13B激活只省推理算力、不省显存放权重——"免费跑"是API和高校集群的事，消费级显卡看个热闹就行，别对着B站"本地部署"标题冲动下单。
五、决策清单：现在接、再等等、以及三条保险
建议现在就试三类场景：GUI/浏览器Agent（视觉是为反复观察设计的，Files API+detail参数就是为你准备的）；图表、报表、票据解析（384 token压缩链路就是为高密度信息页设计的）；截图问答类的图文混合知识库。
两类建议再等等：像素级前端还原和多模态生成向的任务——实测短板明确；对错误零容忍的强监管业务流程——记住名字里的Exp，它是个能力很强的预览版。
三条保险现在就做：接入时钉死具体模型名，别写latest类别名；保留纯文本V4-Flash回退路径，视觉链路故障时Agent能降级；用自己业务里的真实截图和小号prompt跑一轮影子评测再切主链路——官方自己都说"跑分是参考，真正要接生产，拿自己的业务截图跑一遍"。知乎
六、接下来盯什么
四个信号值得放进观察列表：正式版（去掉Exp）的发布日期，那才是生产环境的开关；视觉KV cache或帧差输入的落地，那是成本模型的第二笔账被官方解决的时刻；量化生态的成熟度，GGUF/MLX版本能不能稳定跑决定本地路线真假；计费口径会不会变——"单图384 token、按文本价"是这次设计里最有诚意的部分，也是最值得盯着别退的一步。
四月那只被画上眼睛的盲鲸，现在真的睁开了眼。从今天起，文本+视觉+工具调用的开源Agent栈已经齐了——这比"DeepSeek能看图了"本身，更值得每个做大模型开发的人重新排一遍自己的技术栈。
本文事实均来自公开信源：DeepSeek HuggingFace开源权重与官方模型介绍、知乎技术拆解、微博开发者实测、36氪与B站评测报道；基准分数以官方与第三方口径为准，生产接入前请以自建评测为准。
