8月21日下午，DeepSeek 发布了一个多模态模型：DeepSeek-V4-Flash-Vision-Exp。没有预热，直接开放 API。过去两年社区对 DeepSeek 最大的吐槽就是"不支持多模态"，现在这块短板补上了。
但这次值得看的不是"补上了"本身，而是它补到了什么程度，以及整个行业正在把多模态往哪个方向推。
先看官方给出的能力边界
按 AI 博主维克兹对官方文档的首批拆解（公众号"AI维克兹"，2026-08-21），这个模型的定位很明确：视觉理解，不是视觉生成。它读图里的文字、界面、图表，再结合用户输入回答，接口是标准的 OpenAI 兼容格式，content 字段从字符串变成了内容块数组。
官方给的基准成绩是三个数字：Terminal Bench 2.1 得83.9，Chartography（图表理解）64.3，AutomationBench（网页自动化）25.7。翻译一下：纯文本能力和 V4-Flash 正式版持平，需要"看图干活"的 Agent 任务大幅提升，官方称多模态 Agent 能力接近 Opus-4.8；但网页自动化仍在早期。（来源：DeepSeek 官方文档，经 KimKB 笔记整理）
官方文档里还有几个工程细节值得注意：支持 JPEG、PNG、GIF、WebP 四种格式，且按文件实际内容判断格式，把 PNG 改名成 .jpg 骗不过接口；图片有细节等级参数，可以控制模型看得多细。这些细节说明它瞄准的不是聊天配图，而是真实业务场景——读截图、提表格、分析图表。
"实验性质"四个字也要单独说。维克兹在拆解里特意强调：官方开放了接口是一回事，官方确认过的能力是另一回事，两者要分开看。基准分是官方自报的，第三方实测还没跟上；自动化任务25.7这个分，也说明官方自己也承认这条线刚起步。对做工程选型的人来说，这个诚实的分寸感反而是可用的信号——官方没吹满，意味着文档里写的边界大致可信。
图：官方披露的三项基准成绩，网页自动化25.7分是明确的短板。
行业视角：多模态正从"渲染器"变成"创作者"
单看一次发布，容易低估它的意义。腾讯研究院《协同进化：2026人工智能十大趋势报告》的第二大趋势"多模态认知"，给了一个更长的参照系。
报告指出，过去两年多模态的主线是"更逼真"，2026年的变化是生成行为本身从一次性输出变成多步决策：模型在生成前先理解意图、规划步骤，再决定画面怎么组织，而不是把提示词机械翻译成像素。
但报告也捅破了一层窗户纸：当前 Agent 化智能存在结构分层，理解和规划主要由语言模型承担，视觉模型在很大程度上仍是执行器。腾讯混元团队做过一组实验：所有模型在隐喻迁移任务里只会做字面替换，抓不住类比关系。也就是说，DeepSeek 这次补的是"眼睛"，而整个行业要补的其实是"视觉思维"。
报告还指出了下一道分水岭：记忆。多模态 AI 需要情境性记忆（记住用户的家居环境）、偏好性记忆（学你对光影色彩的口味）、情感性记忆（攒出"共同历史"）。今天你反复调过的色调，明天 AI 就忘了——这道坎，DeepSeek 和所有玩家都还没迈过去。
顺带一提，报告里还有一个和视觉直接相关的判断：当 AI 开始自主规划画面、编排叙事，安全对齐就从文本逻辑延伸到了视觉伦理。渲染器只是工具，责任在使用者；但会自己决定"画什么"的系统，性质不一样了。这一条对做 AIGC 内容生产的团队，未来一两年会越来越实际。
对企业的实际意义
把视角拉回选型。这次发布对三类场景的价值是不同的。
读文档、提表格、看报表这类"结构化识图"任务，是它的舒适区，64.3 的图表理解分加上 Flash 级的价格，性价比会很突出。截图问答、界面操作引导这类场景，83.9 的 Terminal Bench 成绩说明有基础，但要看具体框架的适配。至于网页自动化，25.7 分意味着现在押注太早。
还有一个容易被忽略的点：DeepSeek 走的是 MIT 开源路线，这个视觉模型虽然是实验性质，但接口标准、文档齐全。对企业来说，这意味着可以在不锁定任何一家厂商的情况下，把"看图"能力接进自己的 Agent 系统。
为什么 DeepSeek 拖到现在才做视觉？回看它的节奏就明白了：先把文本推理和代码做到极致，建立口碑，再向外扩。V4 系列主打的是长程推理和 Agent 能力，视觉是补齐"感知输入"这一环。顺序其实很务实——一个读得懂截图的 Agent，前提是它先有能力把任务做完，看得懂图但跑不完任务，价值有限。现在 V4 的文本底座站住了，补视觉的时机才成熟。
这个节奏对企业的启示是：评估一家模型厂商的多模态能力，别只看单项基准分，要看它的感知能力长在什么底座上。眼睛是接在大脑上的，底座强，眼睛才有用。
源势AI观点
我们给客户的建议分两层。
短期，现在就可以把图表识别、截图解析这类任务切到 DeepSeek 多模态上做 A/B：Flash 定价意味着试错成本极低，跑通一个场景再谈规模。
中期，不要把"能看图"当成多模态的全部。趋势报告说得很清楚，视觉理解的真正价值是进入决策链路——理解、规划、执行、记忆缺一不可。我们在给客户设计多模态 Agent 时，会把"视觉记忆"单独列为一项需求：用户上次看的图纸、批过的报告，下次要能接得上。这一点目前没有任何模型原生支持，只能靠应用层补齐。
DeepSeek 补上了眼睛。接下来比的是谁先让这双眼睛记住东西。
图：多模态的竞争重心，正在从生成逼真画面转向看懂并记住。
