DeepSeek發布視覺理解模型，大藍鯨等來遲的眼睛

原文標題：《DeepSeek發布視覺理解模型，大藍鯨等來遲到的眼睛》
原文作者：動察Beating

2026 年 8 月 21 日，DeepSeek 推出全新的視覺理解模型 deepseek-v4-flash-vision-exp，多模態 API 正式開放。開發者第一次可以把圖片直接送進 DeepSeek 的官方接口。

模型保留了 V4 Flash 的 100 萬 token 上下文和 38.4 萬 token 最大輸出，支持 JSON Output、Tool Calls、Responses API，也兼容 Anthropic API。

價格也完全沿用 V4 Flash。每百萬 token 輸入，緩存未命中時，高峰期 3 元，空閒期 1.5 元；緩存命中分別是 0.1 元和 0.05 元。輸出高峰期 9 元，空閒期 4.5 元。北京每天 9 時至 12 時、14 時至 18 時屬於高峰，其餘 17 個小時半價。

圖片同樣按 token 結算。進入模型前，每張圖片都會根據尺寸自動縮放，小於約 384×384 像素的會被放大，大圖則會被壓到約 800×800 像素的總像素量。單張圖片最多占 384 個 token。一張 2000×2000 的圖片和一張 5000×5000 的圖片，最後可能花掉完全一樣的 token。

按照 384 token 的上限，一張圖片在高峰期、緩存未命中的輸入費用約為 0.001152 元。處理一千張這樣的圖片，圖片輸入本身也只有約 1.152 元，文字和模型輸出另算。

一起上線的還有 Files API。開發者可以提前上傳圖片，再把 file_id 放進請求。同一張圖只需要傳一次，之後可以在不同請求裡反覆引用。

這個 API 本身不收費。單個文件最大 64 MiB，每個用戶最多存 25 GiB、10000 個文件。文件可以設定在 1 小時到 30 天後過期，不設定有效期則可以一直保留。目前官方也沒有提供下載文件內容的接口。開發者可以上傳、查詢和刪除，模型可以讀取。它更像一個專門給推理準備的免費圖片倉庫，而不是普通雲端。

不過奇怪的其實不是 DeepSeek 到今天才會看圖。

兩條時間線

如果只看研究，DeepSeek 的視覺並不晚。

如果只看產品和 API，它又確實晚了很久。

2024 年 3 月 11 日，DeepSeek-VL 開源。

它有 1.3B 和 7B 兩個版本，能看自然圖片、網頁、公式、圖表和文件。到了 10 月，Janus 出現，把圖像理解與生成放進同一套自回歸框架。11 月 13 日，JanusFlow 跟進。12 月，DeepSeek-VL2 發布，換成混合專家架構，總參數量分成 3B、16B 和 27B 三檔。

2025 年 1 月 28 日凌晨，除夕，Janus-Pro 開源。官方倉庫按照 UTC 記在 1 月 27 日。

7B 版本在 GenEval 這項文字生成圖片的指令遵循評測裡拿到 0.80，超過論文所列 DALL-E 3 的 0.67。它有開源權重，可以本地部署，也有公開演示。

DeepSeek 沒有把它接進自己的托管 API。

就在此前一周，R1 已經把 DeepSeek 推到了聚光燈下面。Janus 留在 GitHub 和 Hugging Face。對絕大多數普通用戶來說，它很快又消失在了視野裡。

2025 年 10 月 20 日，DeepSeek-OCR 開源，用視覺 token 壓縮長文檔。2026 年 1 月 27 日，OCR 2 發布。

從 DeepSeek-VL 開始算，兩年裡至少能查到 DeepSeek-VL、Janus、JanusFlow、VL2、Janus-Pro、OCR 和 OCR 2 七條公開記錄。

視覺研究一直在做，也一直往外放。

只是普通開發者一直沒有那個入口。

而另一邊，到 2024 年 3 月，幾家主要競爭對手的開發者介面都已經可以接收圖片。OpenAI 在 2023 年 11 月開放 GPT-4 Turbo with Vision，圖片可以直接進入 Chat Completions API；一個月後，Google 上線 Gemini Pro Vision API；2024 年 3 月，Claude 3 全系加入視覺能力。

2025 年 4 月 25 日，李彥宏在百度 Create 大會上說，「DeepSeek 也不是萬能的」。隨後列出的幾個問題裡，就有模態單一。

他的判斷是，多模態會成為基礎模型的標準配備，純文本模型的市場會越來越小。

那時候，DeepSeek 已經做了一年視覺研究。

凌晨

2026 年 4 月 7 日和 8 日，部分用戶打開 DeepSeek，介面裡突然多出三個入口。

「快速」「專家」「視覺」。

4 月 29 日，DeepSeek 多模態團隊負責人陳小康確認識圖功能開始面向部分用戶灰度。隨後，DeepSeek 一名資深研究員寫道，「小鯨魚現在能看見了」。南華早報直接把這句話放進了標題。

DeepSeek 的眼睛第一次真正從產品介面裡露出來。

第二天，DeepSeek 把《Thinking with Visual Primitives》放上 GitHub。幾個小時以後，倉庫和論文又被撤下。到了 5 月 1 日，原地址已經返回 404。DeepSeek 沒有解釋，網上只剩下論文鏡像和媒體轉述。

論文研究的是一個很具體的問題。

模型看到一張很擁擠的圖片以後，常常知道自己在說什麼，卻說不清自己說的究竟是哪一個人、哪一條線。團隊把點座標和邊界框直接插進推理過程，讓模型一邊指出位置，一邊繼續往下想。

一張 756×756 的圖片先經過視覺編碼器，變成 2916 個圖像塊 token，再通過 3×3 空間壓縮合成 324 個 token。V4 Flash 的稀疏注意力繼續壓縮緩存，最後只留下 81 個視覺 KV 條目。

團隊還為這套方法生成了超過 4000 萬條訓練樣本，其中包括專門訓練迷宮導航和路徑追踪的數據。

這篇論文花了很大力氣解決的，其實是「指哪兒」。

模型先得看見，再得知道自己正在看哪裡。只有這樣，它才能繼續往下推理。

DeepSeek 這次沒有說明 Vision Exp 是否完整沿用了這套 Visual Primitives 方案。更重要的是，這項研究第一次把 DeepSeek 對「視覺推理」的理解暴露在了外面。

6 月 18 日，網頁和 App 的識圖模式正式上線。第二天，有媒體上傳梁文鋒的照片測試，DeepSeek 連續兩次把他認成張一鳴。換一個對話，它又把張一鳴認成寒武紀創始人陳天石。

它已經能讀英文截圖，也能把網頁轉成代碼。

到了人臉面前，卻連自己老闆都認不出來。

8 月 19 日，DeepSeek Harness 留下一份日期明確的技術說明。官方適配器已經能夠把圖片序列化成 image_url，文檔同時寫明，默認模型目錄暫時不會展示 deepseek-v4-flash-vision-exp，需要等對應的 API 端點可用。

8 月 20 日，還有開發者實測發現，給這個尚未開放的模型名傳圖，只會收到 400 錯誤。

8 月 21 日，這個限制被拿掉。Harness 把 deepseek-v4-flash-vision-exp 加進默認模型目錄，對應的合併提交直接寫著「publish the vision model」。隨後，DeepSeek 官方 API 文件和公眾號同時宣布 Vision Exp 上線。

兩條線終於碰到了一起。

Agent

在今年 5 月一場投資者交流會的錄音轉寫裡，梁文鋒把自己理解中的 AGI 路線排成了幾級台階：語言模型、思維鏈、Agent、持續學習、自我迭代，再到具身智能。

多模態被他放在組件的位置，和搜索差不多。

談到視頻生成時，轉寫裡有一句話：

在商業上，它是個好生意。但是這跟智能沒有什麼關係。

他的判斷是，視頻生成、世界模型在當前階段和智能上限的關係沒有那麼大，眼前更要緊的是 AI 訓練，以及訓練之後的持續學習。

多模態不一樣的地方在於，它雖然也被放在「元件」的位置，卻是 DeepSeek 明確說過一定會做的元件。梁文鋒當時還提到，V4 以及後續版本會支援原生多模態。

視覺在 DeepSeek 的路線裡一直有位置，只是排得沒有那麼靠前。

等路線走到第三步 Agent，情況開始有些不一樣了。

DeepSeek 沒有公開說過，這次視覺 API 是「為了 Agent 才上線」。但把梁文鋒對路線的判斷和今天的發布放在一起，兩條線已經很難完全分開看。

Agent 要讀屏幕，要看圖表，要處理工具設回來的截圖。它不可能永遠生活在純文字裡。那些已經做了兩年的視覺能力，也終於從論文、倉庫和測試頁面裡，一路走到了 API。

DeepSeek 今天給 Vision Exp 展示的三個例子也都不是傳統的「看圖說話」：一個 Agent 給高端客戶製作西藏自駕遊 PPT，一個重新設計 DeepSeek Harness 官網，還有一個根據視覺要求製作帶動態效果的前端 Demo。

它們都需要模型在長流程任務裡反覆處理視覺信息。

API 的設計也在往這個方向靠。Responses API 同樣接受 input_image，瀏覽器 Agent 可以拿到網頁截圖以後，把它重新送進下一輪推理；程式碼 Agent 可以檢查渲染結果，圖表、掃描件和軟體介面也能直接成為上下文。

Files API 則解決另一件事：同一張圖不用在每輪請求裡重複上傳。一個檔案可以長期放在那裡，Agent 只需要反覆傳 file_id。單次請求最多還能放 600 張圖片。使用外部連結或 Base64 時，單張圖片上限是 32 MiB，通過 Files API 引用後可以到 64 MiB。

這已經不太像給聊天框加一個「上傳圖片」按鈕。

它更像是在補 Agent 使用視覺時需要的基礎設施。

DeepSeek 公佈的四項多模態 Agent 對比，也很少在考傳統意義上的「看圖說話」。

ApexBench 關注投行、諮詢和法律等長流程任務。Agents' Last Exam 來自 55 個專業領域的真實工作。Chartography 專門考 Kaplan-Meier 曲線、K 線、等高線、桑基圖和波特圖。ZeroBench 則用 100 道人工設計的難題測試多步視覺推理。

Vision Exp 對 Claude Opus 4.8 拿到兩勝兩負。

Agents' Last Exam 是 27.3 對 25.7，ZeroBench 是 35.0 對 34.0。ApexBench 為 36.5 對 39.4，Chartography 為 64.3 對 65.0。四項差距都沒有超過 3 分。

更有趣的是，加上視覺以後，原來的文本 Agent 能力沒有明顯掉下去。

和 7 月 31 日發布的純文本 V4 Flash 逐項比較，官網同時給出前後成績的五項文本 Agent 評測全部上漲。

Terminal Bench 2.1 從 82.7 漲到 83.9，NL2Repo 從 54.2 到 57.7，DeepSWE 從 54.4 到 59.3，DSBench-Hard 從 59.6 到 63.6，AutomationBench 從 25.1 到 25.7。DeepSWE 的 59.3，也超過了圖中 Opus 4.8 的 58.0。

不過，這組數字來自 DeepSeek 自己的測試。官方註明，公開 Code Agent 文本任務中的 DeepSeek 系列模型使用 DeepSeek Harness 極簡模式，推理檔位設為 max。它們更適合用來觀察 Vision Exp 相比自家 V4 Flash 的變化，而不是直接當成第三方獨立排名。

模型名字後面的 exp 也還沒有摘掉。

DeepSeek 明確把它標成實驗模型，版本仍然可能繼續變化。現在的接口只做圖片理解，輸出依然是文字。圖片生成和視頻沒有開放，Files API 也只接受 JPEG、PNG、GIF 和 WebP，PDF 不能直接塞進去。

2024 年，開發者想給 DeepSeek 發一張圖片，官方 API 還接不住。

到 2026 年 8 月 21 日，這張圖片終於進來了。

DeepSeek 的眼睛確實睜開得晚。

等它真正睜開的時候，前面的路已經不允許它繼續閉著眼睛走了。

原文链接

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia