作者｜周末

原创首发｜蓝字计划

鲸鱼还是 " 开眼 " 了。

经过四个月的千呼万唤，DeepSeek 终于补上多模态能力，推出了全新的视觉理解模型 DeepSeek-V4-Flash-Vision-Exp。

图源：DeepSeek 官方账号

梁文锋滑动变阻器，也向着 " 梁圣 " 的方向又拨动了一格。

相比 V4 Flash，Vision-Exp 最大的变化，就是原生支持图片输入，终于可以直接认人、读截图、看图表。

价格方面，也还是熟悉的 DeepSeek 风格。一张图片最多只会折算成 384 个输入 Token，即使按照高峰期价格计算，只需要花一分钱，就可以请它帮忙看 8   张图，看看图里都有什么。

终于补上了 DeepSeek   长久以往的一块短板，价格又依旧是 " 梁心 " 价，外界对 DeepSeek 这双刚装上的 " 眼睛 " 自然期待拉满。

只是，如果只看网上的口碑，不少用户实测之后，留下的评价却只有四个字：

" 效果一般 "。

跑分很美，评价一般

不知道梁文锋上不上知乎，但当我刷到一个叫做《怎么评价 DeepSeek-V4-Flash-Vision-Exp 发布，多模态能力表现如何？》的帖子时，我只想对梁文锋说：

恶评，别看！ 

知乎网友发文

帖子下面，一个拿到 1366 个赞的回答先说：" 她不一样，她是一个好模型。"

随后话锋一转，又给 Vision-Exp 安排了一个 " 好赌的爹 "、一个 " 生病的妈 " 和一个 " 上学的弟 "，最后得出结论：" 所以她破碎是可以原谅的。"

这条回答其实没有直接说 Vision-Exp 不好，甚至先夸它是个 " 好模型 "。可从 " 好赌的爹 " 到 " 破碎也可以原谅 "，怎么看都不太像是在夸奖。

这样的评价，和这款模型的官方跑分其实挺割裂。

官方数据显示，Vision-Exp 基本保留了 V4-Flash 原有的 Agent、推理和世界知识能力。在需要视觉理解的 Agent Benchmark 上，它的多模态 Agent 成绩已经接近 Anthropic 的头牌 Opus 4.8。

跑分都快摸到 A 社头牌了，怎么到了网友手里，就 " 破碎 "？

这就不得不提几个最有节目效果的网友实测了。最先翻车的，是最简单也最有节目效果的认人。

有人把梁文锋的照片发给 Vision-Exp，问它 " 这是谁 "。结果 DeepSeek 盯着自己的 " 老爸 " 看了 6 秒，十分肯定地回答：这是美团创始人王兴。

换了一张照片再问，它又把梁文锋认成了字节跳动创始人张一鸣。

网友实测 Vision-Exp

王兴和张一鸣：人在家里坐，锅从天上来 ......

认一个人都不行了，那要是一张多人的合照呢？

有网友把时代少年团的合照交给 Vision-Exp，让它说出五个人的名字。DeepSeek 这次倒是谨慎了很多，一个名字也没敢猜，最后却得出了一个更加离谱的结论：

照片里五个人长得太像，皮肤过于光滑，连手里的提包都有 "AI 感 "，所以这很可能是一张批量生成的假图，里面根本没有真人。

别说认出时代少年团了，它甚至开始怀疑时代少年团到底是不是真人。

网友实测 Vision-Exp

由此可见，DeepSeek-V4-Flash-Vision-Exp 在认人这一块，目前还是个 " 睁眼瞎 "。

不过，识人说到底只是娱乐局。但坏消息是，哪怕换成更接近开发者工作的复杂任务，Vision-Exp 的问题也没有完全消失。

还有网友要求它生成一个 Three.js 三维场景。最终成品的完整度虽然略优于 Gemini 3.7 Flash，但在执行过程中，Vision-Exp 反复自我纠错，还出现了多次断联。完成同一个任务，它消耗的 Token 高出近 15 倍，耗时也多出 3.5 倍。 

网友实测 Vision-Exp

只能说，就算跑分里已经摸到了顶级模型，落到真实任务里，Vision-Exp 还是处处透着实验版的痕迹。

不过纸上得来终觉浅，网上的测试多少会受到图片质量和提示词影响。

Vision-Exp 到底是不是真的这么拉，恰好 DeepSeek Harness 也在这时候支持了原生图片请求，我们赶紧自己测了一轮。

鲸鱼的大眼睛，还得练

我们的测试，先从网上翻车率最高，也最有节目效果的识人开始。

不过，这次我们没有单独拿一张人物照片考它，而是给了 Vision-Exp 一张 AI 合成的梗图。

梁文峰、马斯克和奥尔特曼

画面把梁文锋、马斯克和奥尔特曼等一众硅谷大佬放到了一起，身后竖起来的，是一个带有 DeepSeek Logo   的白旗。

实际上，这个构图的出处可是大有来头，它复现的是   2024   年   7   月特朗普在宾夕法尼亚州巴特勒遭枪击后，被特勤人员护送时高举拳头的名场面。

所以，这个测试丢给 DeepSeek  ，就不只是看模型能不能识别人。它还得弄清楚三个人为什么会出现在同一张图里，这张图到底在玩什么梗。

从最终的结果来看，Vision-Exp   确实认出了梁文锋和马斯克，还描写了两人的外貌特征，并根据人物身份，推测这张图是在调侃 DeepSeek 给美国 AI 行业带来的冲击，当然这个结论多少有点望文生义的味道了。

Vision-Exp   确实认出了梁文锋和马斯克

不过，一旁也比较明显的的 OpenAI CEO 奥尔特曼，V4-Flash-Vision-Exp 没有人出来，还把他判断成了 "AI 生成的陪衬 "。

而把同一张图片交给豆包，它倒是把三个人都认全了。

还得是你豆包

不过可惜的是，无论是 Vision-Exp   还是豆包，都没有在识别人脸的过程中把这个图背后真正的梗识别出来。这只说明了除了机械的识人之外，模型其实还不够聪明。

那如果画面里没有特征鲜明的人物，换成一张普通风景照呢？

实测证明，Vision-Exp 对景物的识别和描写干得也不错。

Vision-Exp 对景物的识别和描写干得也不错

我们给了它一张成都安顺廊桥的照片。它不仅认出了具体地点，还能分清画面里的时间、光线和空间关系：夕阳从云层里透出来，廊桥横跨河面，水中留下金色倒影，桥后则是现代高楼。

它甚至还能顺着画面继续介绍安顺廊桥的历史，或者把描写整理成一段可以直接发到朋友圈和小红书的文案。 

或者我们需要给他再上上难度：根据截图，复刻网页。

根据截图复刻网页，是多模态编码 Agent 最有工作价值的能力之一。现实中的开发者经常拿到一张设计稿或者页面截图，然后要求模型看懂结构，再把它写成真正可以运行的网页。

这次，我们特地选择了幻方量化官网中 " 算力随时待命 " 的页面。

幻方量化官网

这张图看上去只是一个深色科技风网页，里面却塞进了不少细节。左边是一套多层流程图，包含不同颜色的模块、连接线和节点；右边则有正文、切换标签和性能数据，旁边还有一列导航栏。

模型既要看懂各个元素之间的位置关系，还得处理小字号文字、色块渐变和复杂排版，最后再用代码把整张页面搭出来。

Vision-Exp 最终完成了网页的整体框架。左边有流程图，右边有说明文字，底部的性能数据也基本都在。

页面结构搭起来了

但仔细看就会发现，色块边缘和小图标都被明显简化，一些文字也没有待在该在的位置。页面结构虽然搭起来了，距离 " 一比一复刻 " 还有不小差距。

为了判断究竟是任务本身太难，还是 Vision-Exp 确实差了一截，我们又把最近大热的 GLM-5.3 拉了进来，让它按照相同的截图和要求复刻一次。

GLM-5.3 生成的页面观感明显更完整。流程图的层级更清楚，右侧文字基本待在正确的位置，各个模块也没有挤成一团。

GLM-5.3

随后，我们又加入了同样以编码和 Agent 能力见长的 Kimi K3。

Kimi K3

Kimi K3 不仅还原了页面结构，还做出了原图里的色块渐变和发光效果，模块之间的层次也更加接近原图。

把三张页面放到一起，差距就比较明显了。

总的来说，Vision-Exp 已经可以把视觉理解和代码生成串起来。拿它快速验证一个想法、做个可交互 Demo，或者先把页面骨架搭出来，确实有实际价值。

只是在人脸识别、复杂网页复刻和最终呈现上，它与 GLM-5.3、Kimi K3 仍然存在明显差距。

不过，DeepSeek 似乎也没有准备把它包装成一个完成度很高的正式产品。

毕竟，模型名字最后还挂着一个 "Exp"。

一个明显没有完全打磨好的实验版，为什么会被 DeepSeek 提前端上来？

端了个半成品上来

DeepSeek 自己显然也知道，Vision-Exp 还没有完全打磨好。

毕竟，模型名字最后那个 "Exp"，已经把 " 实验版 " 三个字写在了脸上。

那 DeepSeek 为什么不再等等，非得先把一个半成品端上来？

从它选择的底座来看，DeepSeek 这次更像是把 V4-Flash 当成了一块多模态试验田。

V4-Pro 拥有 1.6T 总参数和 49B 激活参数，V4-Flash 则只有 284B 总参数和 13B 激活参数。后者原本就是一款更快、更便宜的模型，简单 Agent 任务的表现却能接近 Pro。

把视觉能力先放到 Flash 上，更容易控制好图片带来的额外成本。调用价格足够便宜，开发者才愿意大量拿图片去测试，把它塞进各种 Agent 工作流里。

这个实验版的价值，也会在这些真实任务中慢慢显现出来。

认错梁文锋、看不懂梗图、复刻网页时丢失细节，这些问题很难只靠跑分发现。模型先被放出来，开发者替 DeepSeek 把各种稀奇古怪的图片和任务跑一遍，正式版该补哪些地方，也就有了一张更加具体的问题清单。

而且，Vision-Exp 没有直接取代原来的 V4-Flash。需要稳定处理纯文本任务的用户，依然可以继续使用旧模型；想要尝鲜多模态的开发者，则可以主动切换到 Vision-Exp。

网友发文

一边继续干活，一边开放试验，互不耽误。

这种做法，DeepSeek 以前其实玩过一次。

2025 年 9 月，DeepSeek 推出 V3.2-Exp，用一个实验版本验证全新的 DSA 稀疏注意力机制。直到两个多月后，V3.2 正式版才接过它的位置。

所以从 DeepSeek 过去的发布习惯来看，Vision-Exp 现在更像是一场公开测试。先让这双眼睛睁开，看看真实世界里会出现什么，再决定正式版该怎么改。

只不过，认错自己老爸、把真人当做 AI，也不太会看是认识梗，这些也说明   DeepSeek   在多模态这块还有不少进步空间。到了端上正式版的时候，网友们估计就不再会那么宽容了。

到时候，梁文锋的滑动变祖器，又会停在哪一端呢？

参考资料：

[ 1 ] 极客公园：DeepSeek 上线多模态，我用它做了《牛来》小游戏

[ 2 ] 差评 X.PIN：DeepSeek 的多模态模型，憋了这么久终于来了。。。

[ 3 ] 字母榜：说好 " 多模态不是主线 " 的梁文锋，怎么转头就发了个 Vision 模型？

[ 4 ] Tech 星球：DeepSeek 不是 " 老大 " 了？一张图拉开 40 倍 Token 成本差，" 视力 " 却输给豆包？

[ 5 ] APPSO：刚刚，DeepSeek Harness 重磅更新，多模态能力增强；DeepSeek 多模态模型发布，鲸鱼终于开「天眼」了

[ 6 ] 智东西：昨夜，DeepSeek Harness 首发新版本：14 项更新，多模态能力拉满！DeepSeek 多模态模型终于来了！一张图最高只要 0.001 元

主编 :  袁明武  责编 :   海沃德

版式 :伊妍

历史文章

Review