DeepSeek-V4-Flash-Vision-Exp 实测：DeepSeek 终于给 Agent 装上了眼睛

DeepSeek 给 V4-Flash 补上了 Agent 最缺的一双“眼睛”，而且从首批结果看，这双眼睛并没有明显拖累原来的推理与 Coding 能力。

首先就是最新的这个V4-Flash-Vision-Exp在多模态 Agent上确实的比V4-Flash要好，而且某些评测集上和Opus-4.8的效果差不多。

纯文本 Agent、推理、世界知识能力基本保持 V4-Flash 水平，而需要视觉理解的 Agent Benchmark 出现了明显提升。其中比较有意思的是和Opus 4.8 对比。主要看这几个数据集：

，Chartography 甚至只有 0.7 分差距。所以官方说“多模态 Agent 能力接近 Opus-4.8”，至少从它选出来的这些 Benchmark 看，并不算特别夸张。

给我的感觉，加视觉以后，文本能力没有塌。这个其实比视觉跑分本身更值得关注。

目前其实很多VLM都存在加了视觉编码器之后导致文本能力下降的问题，因为在对其视觉token得时候，往往会牺牲LLM的能力来强制对齐。但 Vision-Exp 的数据目前看没有出现这个问题。

而 DeepSeek 官方此前 V4-Flash 的 Terminal Bench 是 82.7，Vision 版本是 

至于具体使用了什么 Vision Encoder、Connector、多模态训练配方，DeepSeek 

至于模型的价格，1M 上下文、最大 384K 输出、2500 并发，价格与 V4-Flash 完全相同。

而且 DeepSeek 对图片做了非常激进的 Token 控制，

大图在进入模型前会等比例缩小到大约相当于 

；因此 2000×2000 和 5000×5000 的图片最终视觉 Token 消耗可能一样。单请求最多甚至可以塞 

这个设计应该是是为了让Agent能够塞入更多的图而做的操作。它瞄准的是，

一条 Agent trajectory 可能要消费几十甚至上百张截图。如果每张图都是几千视觉 Token，这类 Agent 的成本会迅速爆炸。DeepSeek 直接把图片压到最高 

，本质是在给未来的 Computer Use / Browser Agent / Coding Agent 大规模部署铺路。

V4-Flash-Vision-Exp 在各类 Agent 框架内展现出了较好的多模态适配能力，能够有效支持大家借助多样化的 Agent 工具解锁更多实用的工作场景。

示例 1：在 Agent 框架下生成商业定制西藏自驾游 PPT

Prompt：帮我做个西藏攻略的 ppt，藏南 + 藏北，一个月，自驾游，我是高端定制游，只做私人服务，和别的旅行团不一样，核心调性：野性、原始、探索感——不是常规打卡路线，是深入无人区级别的体验。视觉风格要大气、粗粝、有力量感，拒绝小清新和网红风。ppt 要发送给高净值客户，要足够大气、野性、高端美观且最后给到三种真实定价方案，所有配图使用真实摄影图片风格（实拍质感）

示例 2：对 DeepSeek Harness 官网进行二次创作

要求模型用黑蓝深海、玻璃 UI 和 ASCII 原子像素等视觉要素，经过长多轮交互后重构得到的未来主义风格开发者网站

示例 3：制作黏土怪物风格动态特效的前端 Mini Demo

提示模型在「一群可爱的 3D 黏土小怪物加入一个跃动的复古舞池派对」的灵感下进行创作

目前已经在最新版本的DSH上可以接入这个模型。一开始我发现就算更新了也最新版本，好像也添加不了这个模型。

看官方好像确实是支持的，只能让codex帮我修复一下就出来了

目前把你想要的图片进行复制，然后就可以在输入框粘贴一下就会出现图片了。

识别效果有点强。主要是它先识别到了我这个图片是出自那一篇论文的（应该是我之前的记录让它有记忆）。

然后把图片里面的每一个细节都能详细的描述出来

新疆高端私人定制自驾游 HTML 单页

核心定位不是常规旅行团，而是

私人、深度、稀缺、探索型旅行

，深入雪山、草原、峡谷、戈壁、沙漠、边境公路和普通游客很少抵达的区域。

核心调性：野性、原始、辽阔、探索、力量感、高级感。

拒绝小清新、网红风、传统旅行社页面，整体参考：

National Geographic × Patagonia × Land Rover 探险大片

Q3：复杂街景：视觉搜索 + 空间关系

小目标、OCR、计数、空间关系以及幻觉控制

仔细观察图片，不要做泛泛描述。

图中一共有多少辆能够明确看到的汽车？

最靠近画面中央的白色汽车前方有什么？

找出所有能够辨认出的英文招牌文字。红绿灯当前分别显示什么状态？

根据行人和车辆的位置，判断此时哪些方向的交通更可能被放行。对不确定的信息明确标注“不确定”，不要猜测。

对于汽车的数量数得有点不太对，对于比较大得字体识别得还可以。

只根据图片回答，不使用外部知识：图中最低点大约发生在哪一年？2020 年附近出现的最大单次下跌幅度大约是多少？图中历史最高点大约是多少？从最低点到历史最高点，大约上涨了百分之多少？2020 年的大幅下跌之后，大概花了多久重新回到下跌前水平？每个答案给出你的读图依据，并区分“精确读数”和“估算值”。

整体回答还算可以，大致能够估算出来

过去 DeepSeek Agent 有个很明显的问题，

现在 Vision-Exp 等于把这个缺口直接补上。而且还是 

V4-Flash 级推理 + 原生视觉 + Tool Call + Responses API + Anthropic API + 1M Context + 极低视觉 Token 成本。

目前来看，通用视觉能力“待验证”，多模态 Agent 能力“第一梯队候选”，成本和工程化能力则非常有竞争力。

后台策略工程师

人工智能

客户端

新闻资讯

DeepSeek V4-Flash-Vision-Exp实测：为Agent补上视觉能力，多模态Agent表现接近Opus-4.8，纯文本推理与编码能力未受损。视觉Token压缩至384张/图，成本极低，支持600图/请求，瞄准Computer Use与Browser Agent场景。API价格不变，1M上下文，高并发，适合大规模部署。

DeepSeek

Agent

文字识别限时特惠，新用户0.5折起


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

DeepSeek V4-Flash-Vision-Exp实测：为Agent补上视觉能力，多模态Agent表现接近Opus-4.8，纯文本推理与编码能力未受损。视觉Token压缩至384张/图，成本极低，支持600图/请求，瞄准Computer Use与Browser Agent场景。API价格不变，1M上下文，高并发，...

DeepSeek-V4-Flash-Vision-Exp 实测：DeepSeek 终于给 Agent 装上了眼睛

DeepSeek-V4-Flash-Vision-Exp 实测：DeepSeek 终于给 Agent 装上了眼睛

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐