昨天我們聊完社區(qū)給 DeepSeek 補(bǔ)眼睛——ModLens 這些插件用外部視覺模型當(dāng)翻譯幫純文本的 DeepSeek 看懂圖片。結(jié)果今天下午DeepSeek 官方就把原裝眼睛掏出來了。8月21日DeepSeek 上線了 V4 系列首個(gè)視覺模型DeepSeek-V4-Flash-Vision-Exp開放 API 澎湃。時(shí)間線是這樣的一周前DeepSeek 自己看不見圖。GitHub 討論區(qū)里怎么讓 DeepSeek 看圖成了高頻問題上傳圖片直接報(bào)錯(cuò)MODEL_DOES_NOT_SUPPORT_IMAGES36氪這一周社區(qū)忙壞了。橋接 Qwen-VL 的、寫 vision bridge 插件的、做 dsh-deepseek-vision 的……大家搶著給 DeepSeek 裝假眼今天官方真眼到了。更絕的是昨天大家剛在文章里夸完社區(qū)插件多好用今天就發(fā)現(xiàn)——官方這套原裝眼睛直接抄了社區(qū)的后路。這事值得掰開講。先復(fù)盤社區(qū)這一周是怎么裝眼睛的DeepSeek 的 V4 系列模型是純文本的。模型目錄里被聲明成輸入模態(tài)只有 text圖片甚至進(jìn)不了會(huì)話Agent 自然也沒法處理。但 DeepSeek 自己剛開源了 Harness——一個(gè)高度插件化的 Agent 運(yùn)行時(shí)。Agent 能調(diào)終端、改文件、跑代碼、調(diào)外部工具偏偏面對(duì)最常見的截圖、網(wǎng)頁圖片、報(bào)錯(cuò)界面時(shí)只能干瞪眼 36氪。這個(gè)尷尬局面社區(qū)用一周填上了。主流方案是橋接在 DeepSeek 前面再接一個(gè) Qwen-VL 之類的視覺模型先把圖片翻譯成文字描述再交給 DeepSeek 推理。最出名的 ModLens 就是干這個(gè)的——把圖片解析成結(jié)構(gòu)化 JSONOCR 文字 版面布局 語義內(nèi)容喂給 DeepSeek讓它借別人的眼睛看世界 阿里云開發(fā)者社區(qū)。聰明但繞路。多了一層外部調(diào)用多了一份延遲和成本還把自己的視覺能力托付給了別的公司。這就像一個(gè)人沒有眼睛雇了個(gè)秘書每天幫他念——能用但總歸隔著一層。社區(qū)也知道這是權(quán)宜之計(jì)。所以當(dāng) Harness 的 RC.8 更新里出現(xiàn)模型適配器支持配置原生圖片請(qǐng)求時(shí)不少開發(fā)者第一反應(yīng)都是官方的視覺模型是不是要來了36氪有人甚至直接從 Harness 的代碼和配置里扒出了deepseek-v4-flash-vision-exp這個(gè)還沒官宣的模型名 36氪。果然今天下午官方正式官宣。官方原裝眼睛純文本不降級(jí)視覺大幅躍升先看硬數(shù)據(jù)。純文本能力不降級(jí)。在 Agent、推理、世界知識(shí)等純文本任務(wù)上Vision-Exp 與 V4-Flash 正式版基本持平 DeepSeek官方更新日志。這是最關(guān)鍵的信號(hào)——加上視覺沒有拖累原本的文本推理。視覺能力大幅躍升。在需要視覺理解的 Agent Benchmark 上多模態(tài) Agent 能力已接近 Anthropic 的 Opus-4.8 DeepSeek官方更新日志。具體到跟 Opus-4.8 的對(duì)比其實(shí)是互有勝負(fù) 網(wǎng)易科技領(lǐng)先DeepSWE59.3 vs 58.0、Agents Last Exam27.3 vs 25.7、ZeroBench35.0 vs 34.0追平Terminal Bench 2.183.9 vs 85.0、Toolathlon-Verified75.9 vs 76.2、Chartography64.3 vs 65.0落后NL2Repo57.7 vs 69.7、DSBench-Hard63.6 vs 71.7差 8-12 分接近 Opus-4.8這個(gè)說法在代碼 Agent 的復(fù)雜任務(wù)上其實(shí)還差著一截但互有勝負(fù)這四個(gè)字對(duì)于剛補(bǔ)上視覺第一天的模型來說已經(jīng)很能打了。跟自家 V4-Flash 比更能看出視覺的增量ApexBench 從 26.2 漲到 36.5Agents Last Exam 從 25.2 漲到 27.3 網(wǎng)易科技。而且官方特別說明舊版 V4-Flash 在這兩個(gè)基準(zhǔn)里是直接忽略多模態(tài)元素的——所以這個(gè)漲幅實(shí)打?qū)崄碜阅芸匆姟Ｍ鈷?vs 原生官方怎么抄后路的官方原裝眼睛跟社區(qū)外掛的區(qū)別不只是不用借別家模型這么簡單。第一刀同價(jià)。圖片按 token 折算一張圖最多占 384 tokens價(jià)格與 V4-Flash 完全一致 澎湃。緩存命中的價(jià)格空閑和高峰時(shí)段分別只要 0.05 元和 0.10 元每百萬 token 36氪。這意味著什么多模態(tài)不溢價(jià)。行業(yè)里多模態(tài)能力通常是收費(fèi)理由——OpenAI、Anthropic 的視覺模型普遍比純文本貴。DeepSeek 直接把視覺能力做到和文本一個(gè)價(jià)。這招太熟了。R1 當(dāng)年打推理溢價(jià)DSH 開源打 Agent 外殼溢價(jià)現(xiàn)在多模態(tài)繼續(xù)不溢價(jià)——DeepSeek 的每一次出手都在重復(fù)同一個(gè)動(dòng)作把某個(gè)被視作溢價(jià)點(diǎn)的東西打成地板價(jià)。第二刀Files API 同步上線還免費(fèi)。圖片上傳一次之后通過file_id在不同請(qǐng)求里反復(fù)引用不用重復(fù)上傳 DeepSeek官方更新日志。對(duì)要反復(fù)分析同一批截圖、圖表的工作流來說省的是實(shí)打?qū)嵉膸捄吐闊５谌吨苯舆M(jìn) Harness。同一天發(fā)布的 v0.1.1-rc.1模型適配器直接新增了 V4-Flash-Vision-Exp 選項(xiàng)支持原生圖片請(qǐng)求/goal、/plan命令支持圖文混合輸入菜單能引用文件和會(huì)話 澎湃。開箱即用。社區(qū)用一周搭的橋官方用原生同價(jià)免費(fèi)工具鏈一套組合拳輕飄飄地接走了。當(dāng)然這樣說有點(diǎn)委屈社區(qū)——ModLens 那批插件的價(jià)值并沒有消失它證明了需求、試出了方向、也留下了給純文本模型補(bǔ)能力的方法論。某種意義上社區(qū)這周是在替 DeepSeek 做免費(fèi)的需求探測和市場驗(yàn)證。而這可能正是 DeepSeek 想要的。真正的變化Agent 第一次能看見自己的活兒了但如果你只把這件事理解成DeepSeek 終于能看圖了那就漏掉了最核心的東西。注意官方放出的三個(gè)演示案例——都不是看圖說話這種基礎(chǔ)任務(wù) OSCHINA給高凈值客戶做商業(yè)定制的西藏自駕游 PPT——要野性、粗糲、有實(shí)拍質(zhì)感一個(gè)月行程、藏南藏北、三種定價(jià)方案按黑藍(lán)深海 玻璃 UI ASCII 像素等視覺要求重構(gòu) DeepSeek Harness 官網(wǎng)——多輪交互式創(chuàng)作制作帶黏土怪物動(dòng)效的前端 Mini Demo。這三個(gè)任務(wù)的共同點(diǎn)是模型要先看懂圖片、頁面結(jié)構(gòu)和設(shè)計(jì)意圖再調(diào)用工具產(chǎn)出 PPT 或代碼。用深科技的話說——現(xiàn)實(shí)中的 Agent 很多時(shí)候并不只在文本和代碼之間工作它需要讀網(wǎng)頁布局、判斷按鈕位置、理解截圖和圖表、查看自己生成出來的 PPT 或網(wǎng)頁效果再根據(jù)視覺結(jié)果繼續(xù)修改 DeepTech深科技。這才是視覺對(duì) Agent 的真正意義不是讓它會(huì)看照片是讓它能看見自己的工作結(jié)果形成執(zhí)行閉環(huán)。以前 Agent 生成一個(gè) PPT自己看不見長什么樣只能盲寫。寫完對(duì)不對(duì)、丑不丑、排版亂不亂它不知道。現(xiàn)在它能看了——看完不滿意還能改。從單向輸出到閉環(huán)執(zhí)行這才是視覺帶給 Agent 的質(zhì)變。但別急Exp兩個(gè)字說明一切這款模型帶著Exp實(shí)驗(yàn)后綴是有原因的。DeepSeek 沒有公布參數(shù)規(guī)模沒有發(fā)布技術(shù)報(bào)告也沒有給視覺 Benchmark 36氪。更耐人尋味的是架構(gòu)猜測DeepSeek 此前有獨(dú)立的 DeepSeek-OCR 產(chǎn)品線而普通 V4-Flash 到 7 月底仍只支持文本輸入。有分析認(rèn)為Vision-Exp 很可能不是重新訓(xùn)練一個(gè)從底層統(tǒng)一處理文本和視覺的模型而是把已有的視覺編碼、OCR 或圖像理解模塊接到了 V4-Flash 前面再由后者完成推理和生成 36氪。如果是這種架構(gòu)它和 Gemini、GPT 這類強(qiáng)調(diào)統(tǒng)一多模態(tài)訓(xùn)練的模型本質(zhì)上還是有區(qū)別的——更像外掛轉(zhuǎn)正而不是原生進(jìn)化。還有個(gè)倉促的細(xì)節(jié)今天早些時(shí)候有開發(fā)者實(shí)測發(fā)現(xiàn)這個(gè)模型最初接收image_url時(shí)仍返回expected text直到官方模型表和視覺接口陸續(xù)更新后才恢復(fù) 36氪。這哪是憋大招的樣子這是搶時(shí)間補(bǔ)位。但換個(gè)角度想DeepSeek 為什么要搶這個(gè)時(shí)間因?yàn)樗谘a(bǔ)齊 Agent 拼圖的最后一塊感知入口。回看這條時(shí)間線4月底 V4 發(fā)布無視覺→ 7月31日 V4-Flash 轉(zhuǎn)正Agent 特化→ 8月13日 V4-Pro GA Harness 開源 → 8月19日 RC.8 埋多模態(tài)接口 → 8月21日官方視覺模型落地。每一步都在往Agent 能用、好用、閉環(huán)的方向推。V4 負(fù)責(zé)模型能力Harness 負(fù)責(zé)接入真實(shí)任務(wù)視覺負(fù)責(zé)讓 Agent 理解屏幕上的世界DeepTech深科技。三塊拼圖今天算是齊了。寫在最后社區(qū)當(dāng)探測器官方來收網(wǎng)把昨天那篇和今天這篇連起來看有個(gè)特別值得玩味的畫面社區(qū)替 DeepSeek 裝了一周假眼DeepSeek 在今天親手摘下來換上了原裝真眼。這不一定是誰在算計(jì)誰但它確實(shí)構(gòu)成了一套高效的生態(tài)打法開源框架先把缺什么暴露給社區(qū)社區(qū)用插件快速驗(yàn)證需求和方向官方看準(zhǔn)了再出手用原生同價(jià)一步到位。社區(qū)驗(yàn)證需求官方收割成果——這是一切皆插件這套玩法里官方和社區(qū)最默契的一次配合。而對(duì)整個(gè)行業(yè)來說今天真正的信號(hào)是多模態(tài)也不再是溢價(jià)的理由了。推理的溢價(jià)R1 打掉了外殼的溢價(jià)DSH 打掉了現(xiàn)在視覺的溢價(jià)也正在被打掉。DeepSeek 還是那個(gè) DeepSeek——永遠(yuǎn)在告訴市場你以為貴的東西其實(shí)可以很便宜。至于那雙原裝眼睛到底是不是從社區(qū)外掛轉(zhuǎn)正來的DeepSeek 不會(huì)說。但它已經(jīng)用行動(dòng)證明了在一個(gè)把一切都做成插件的世界里最快長出器官的方式是先讓全世界幫你長一遍。我是詞元下期我們聊聊DeepSeek 的視覺模型直接對(duì)標(biāo) Opus-4.8但多模態(tài)這條路統(tǒng)一訓(xùn)練和外掛轉(zhuǎn)正到底哪條才是終局