8月31日深夜，DeepSeek把V4家族第一个能看图的多模态模型开源了：DeepSeek-V4-Flash-Vision-Exp，MIT协议，放出不只是权重——Tokenizer、图文提示编码参考实现、覆盖Vision Encoder到MoE的最小PyTorch推理代码全给。仓库约168GB、48个分片，总参数约304.6B。知乎
对已经天天用V4-Flash写代码、跑Agent的人来说，真正的问题不是"DeepSeek能不能看图了"，而是同一件事：官方跑分里它登顶反超Opus-4.8，社区实测里它把3个矩形数成4个。这条线到底画在哪？
跑分是真的，但"登顶"要加个注脚
先看模型卡给出的几组数字：真实世界软件工程测试DeepSWE拿了59.3%、超过Opus-4.8排第一；Toolathlon-Verified 75.9%、只差Opus 0.3个百分点；ZeroBench 35.0对比34.0、Agents’ Last Exam 27.3对比25.7，都是登顶。智东西对比自家纯文本基线V4-Flash-0731，加了视觉模块后文本项不降反升：Terminal Bench 82.7→83.9，DSBench-Hard 59.6→63.6。
但官方模型卡自己藏了一行小字：ApexBench和Agents’ Last Exam两项里，基线V4-Flash会直接忽略输入里的多模态元素——这两列的对比更像"有没有眼睛"的对照，不是同条件的强弱排名。知乎另一边，ApexBench它36.5对Opus的39.4确实落后，图表生成Chartography 64.3对65.0小幅落后，需要深厚代码库理解的NL2Repo更是57.7对69.7、差着约10个点。
一句话整理：它的强项是界面操作、读图后继续干活（Agent流程），弱项是细粒度视觉生成和高复杂度结构化任务。把"登顶"当"全面追平Opus"，是这波传播里最大的误读。
384个token：它能看多清，就藏在这一个数里
开源config里最有信息量的不是参数量，是视觉链路的两个设定：ViT编码器出来的patch特征，进语言模型前由Aligner做3×3合并；单图token上限锁死384。按公开参考实现推算，384×9×196≈67.7万像素，约等于823×823——不管你喂4K截图还是缩略图，模型实际"看到"的信息量都压缩到这个量级。知乎爱可可在社区里做的折算是同一个口径：所有大图入炉前都会被压缩到800×800像素左右，单张图的token消耗锁死在384个。微博
这个瓶颈直接解释了今天所有的"精分"表现：
它看得清的：报错弹窗、UI布局、图表趋势、网页截图转代码——B站已有UP主拿它做知识库Markdown提取，界面理解类任务是它基准成绩最好的地方。每张图固定384 token，还有个隐藏福利：成本完全可预测，API价格与V4-Flash文字版一致，社区按输入侧折算一块钱约能处理两千多张图。微博做批量截图问答的Agent，预算表好算了。
它看不清的：小字OCR、密集票据、精确计数、找细节差异——实测里"认得马斯克、认不出自家老板梁文锋，3个矩形数成4个，墙上时钟读错"，全是这类超出800×800有效分辨率的活。哔哩哔哩注意这些是社区样本、不是系统性评测，但方向和token瓶颈的推算完全对得上。
它压根没眼睛的：音频。名字里的Exp不是装饰，目前不支持音频输入，官网和API都吃不了视频。
今晚开源了，你要不要跟着动手？
先用API，别先下载。8月21日起deepseek-v4-flash-vision-exp就进了API默认目录，图文交错输入、支持Tool Calls和Responses API，价格不变。验证你的场景（截图转MD、图表读数、UI自动化）值不值得接，API一圈跑分就够。
168GB不是给生产用的。README写得直白：仓库提供的是readable reference implementation，不是production serving engine，生成循环是朴素自回归采样。它更适合想读MLA极压缩（num_key_value_heads=1）、YaRN拉到1M上下文、FP4专家量化这套代码的人。真要多卡部署，304B级权重对存储和显存的要求完全是另一篇文章的事。
同夜战场已经挤了。腾讯混元发布并开源Hy4preview，总参770B、激活49B、上下文1M，许可证Apache2.0，和DeepSeek前后脚发布；智谱GLM-5.3-Flash——就是OpenRouter盲测里爆火的OX-Alpha——匿名测试流量完全跑在国产AI芯片上，前端口略上被UP主认为跟V4-Vision互有胜负；Qwen3.8-Flash则在外拼定价。知乎低价多模态这个赛道，8月是按月过版本的节奏。
继续盯三个信号：Exp去掉后缀的正式版（官方一个月四轮更新的节奏，不会太远）、音频模态是否补上、以及600张/请求那个传闻数字有没有官方确认。如果你手上是票据、小字、精确比对类需求，现在先别把视觉流程焊死在任何一个模型上——拿你自己的图，跑一轮"数得对不对、小字读不读得出"的最小测试，再决定接不接。
眼睛DeepSeek是长出来了，只是这颗眼睛的度数，目前刚好够看路、不够读报纸。
