DeepSeek V4-Flash 补上视觉能力，多模态 Agent 迈向更高水平

导语

DeepSeek 正在为 V4-Flash 补齐视觉输入能力。最新公布的实验性版本名为 DeepSeek-V4-Flash-Vision-Exp，目前已经通过 deepseek-v4-flash-vision-exp 这一 model id 在 DeepSeek API 平台开放调用。与单纯发布一个新模型相比，这次更新更像是把 V4-Flash 的文本与 Agent 能力延伸到图像场景。

核心要点

• 视觉能力正式加入：V4-Flash-Vision-Exp 面向需要理解图像内容的应用，重点补足原有版本的视觉能力。
• 纯文本能力保持不变：素材强调，该实验版本在 Agent、推理和世界知识等纯文本维度上没有降级，仍延续 V4-Flash 的基础能力。
• 已提供 API 调用入口：开发者可以通过指定的 model id 接入测试，但实验版本意味着稳定性、兼容性与最终形态仍可能继续调整。
• 多模态 Agent 的基础更完整：当模型既能处理文字，又能理解图像时，文档分析、界面操作、视觉问答以及带图片输入的工作流都具备了进一步扩展的条件。

这意味着什么

对于开发者而言，视觉能力的加入降低了在文本模型和视觉模型之间切换的必要性。一个能够保持原有推理和 Agent 表现、同时接收图像输入的模型，更适合被嵌入复杂工作流：用户可以用自然语言提出任务，再附上截图、照片或其他视觉材料，由同一模型完成理解和后续推理。

这也解释了为什么此次更新被放在多模态 Agent 的语境下观察。Agent 并不只是回答问题，还需要读取环境信息、识别任务状态并采取下一步行动。视觉输入可以让模型接触到文本之外的界面、图表和现实场景，从而拓宽自动化应用的边界。不过，当前公开信息主要说明了模型定位、调用方式和能力方向，并未给出完整的评测数据。因此，Vision-Exp 与其他视觉模型在准确率、延迟、成本及复杂任务稳定性上的差异，仍需等待更多测试验证。

从产品节奏看，DeepSeek 选择先以实验版本开放视觉能力，说明这项能力仍处于持续迭代阶段。开发者在接入时应把它视为测试性组件，关注接口变化与实际任务表现，而不宜仅依据“接近某一高水平模型”的描述做出定量判断。

来源：OSChina