DeepSeek发布视觉理解模型，大蓝鲸等来迟到的眼睛

文｜Sleepy

2026 年 8 月 21 日，DeepSeek 推出全新的视觉理解模型 deepseek-v4-flash-vision-exp，多模态 API 正式开放。开发者第一次可以把图片直接送进 DeepSeek 的官方接口。

模型保留了 V4 Flash 的 100 万 token 上下文和 38.4 万 token 最大输出，支持 JSON Output、Tool Calls、Responses API，也兼容 Anthropic API。

价格也完全沿用 V4 Flash。每百万 token 输入，缓存未命中时，高峰期 3 元，空闲期 1.5 元；缓存命中分别是 0.1 元和 0.05 元。输出高峰期 9 元，空闲期 4.5 元。北京每天 9 时至 12 时、14 时至 18 时属于高峰，其余 17 个小时半价。

图片同样按 token 结算。进入模型前，每张图片都会根据尺寸自动缩放，小于约 384×384 像素的会被放大，大图则会被压到约 800×800 像素的总像素量。单张图片最多占 384 个 token。一张 2000×2000 的图片和一张 5000×5000 的图片，最后可能花掉完全一样的 token。

按照 384 token 的上限，一张图片在高峰期、缓存未命中的输入费用约为 0.001152 元。处理一千张这样的图片，图片输入本身也只有约 1.152 元，文字和模型输出另算。

一起上线的还有 Files API。开发者可以提前上传图片，再把 file_id 放进请求。同一张图只需要传一次，之后可以在不同请求里反复引用。

这个 API 本身不收费。单个文件最大 64 MiB，每个用户最多存 25 GiB、10000 个文件。文件可以设置在 1 小时到 30 天后过期，不设置有效期则可以一直保留。目前官方也没有提供下载文件内容的接口。开发者可以上传、查询和删除，模型可以读取。它更像一个专门给推理准备的免费图片仓库，而不是普通云盘。

不过奇怪的其实不是 DeepSeek 到今天才会看图。

两条时间线

如果只看研究，DeepSeek 的视觉并不晚。

如果只看产品和 API，它又确实晚了很久。

2024 年 3 月 11 日，DeepSeek-VL 开源。

它有 1.3B 和 7B 两个版本，能看自然图片、网页、公式、图表和文档。到了 10 月，Janus 出现，把图像理解与生成放进同一套自回归框架。11 月 13 日，JanusFlow 跟进。12 月，DeepSeek-VL2 发布，换成混合专家架构，总参数量分成 3B、16B 和 27B 三档。

2025 年 1 月 28 日凌晨，除夕，Janus-Pro 开源。官方仓库按照 UTC 记在 1 月 27 日。

7B 版本在 GenEval 这项文字生成图片的指令遵循评测里拿到 0.80，超过论文所列 DALL-E 3 的 0.67。它有开源权重，可以本地部署，也有公开演示。

DeepSeek 没有把它接进自己的托管 API。

就在此前一周，R1 已经把 DeepSeek 推到了聚光灯下面。Janus 留在 GitHub 和 Hugging Face。对绝大多数普通用户来说，它很快又消失在了视野里。

2025 年 10 月 20 日，DeepSeek-OCR 开源，用视觉 token 压缩长文档。2026 年 1 月 27 日，OCR 2 发布。

从 DeepSeek-VL 开始算，两年里至少能查到 DeepSeek-VL、Janus、JanusFlow、VL2、Janus-Pro、OCR 和 OCR 2 七条公开记录。

视觉研究一直在做，也一直往外放。

只是普通开发者一直没有那个入口。

而另一边，到 2024 年 3 月，几家主要竞争对手的开发者接口都已经可以接收图片。OpenAI 在 2023 年 11 月开放 GPT-4 Turbo with Vision，图片可以直接进入 Chat Completions API；一个月后，Google 上线 Gemini Pro Vision API；2024 年 3 月，Claude 3 全系加入视觉能力。

2025 年 4 月 25 日，李彦宏在百度 Create 大会上说，「DeepSeek 也不是万能的」。随后列出的几个问题里，就有模态单一。

他的判断是，多模态会成为基础模型的标配，纯文本模型的市场会越来越小。

那时候，DeepSeek 已经做了一年视觉研究。

凌晨

2026 年 4 月 7 日和 8 日，部分用户打开 DeepSeek，界面里突然多出三个入口。

「快速」「专家」「视觉」。

4 月 29 日，DeepSeek 多模态团队负责人陈小康确认识图功能开始面向部分用户灰度。随后，DeepSeek 一名资深研究员写道，「小鲸鱼现在能看见了」。南华早报直接把这句话放进了标题。

DeepSeek 的眼睛第一次真正从产品界面里露出来。

第二天，DeepSeek 把《Thinking with Visual Primitives》放上 GitHub。几个小时以后，仓库和论文又被撤下。到了 5 月 1 日，原地址已经返回 404。DeepSeek 没有解释，网上只剩下论文镜像和媒体转述。

论文研究的是一个很具体的问题。

模型看到一张很拥挤的图片以后，常常知道自己在说什么，却说不清自己说的究竟是哪一个人、哪一条线。团队把点坐标和边界框直接插进推理过程，让模型一边指出位置，一边继续往下想。

一张 756×756 的图片先经过视觉编码器，变成 2916 个图像块 token，再通过 3×3 空间压缩合成 324 个 token。V4 Flash 的稀疏注意力继续压缩缓存，最后只留下 81 个视觉 KV 条目。

团队还为这套方法生成了超过 4000 万条训练样本，其中包括专门训练迷宫导航和路径追踪的数据。

这篇论文花了很大力气解决的，其实是「指哪儿」。

模型先得看见，再得知道自己正在看哪里。只有这样，它才能继续往下推理。

DeepSeek 这次没有说明 Vision Exp 是否完整沿用了这套 Visual Primitives 方案。更重要的是，这项研究第一次把 DeepSeek 对「视觉推理」的理解暴露在了外面。

6 月 18 日，网页和 App 的识图模式正式上线。第二天，有媒体上传梁文锋的照片测试，DeepSeek 连续两次把他认成张一鸣。换一个对话，它又把张一鸣认成寒武纪创始人陈天石。

它已经能读英文截图，也能把网页转成代码。

到了人脸面前，却连自己老板都认不出来。

8 月 19 日，DeepSeek Harness 留下一份日期明确的技术说明。官方适配器已经能够把图片序列化成 image_url，文档同时写明，默认模型目录暂时不会展示 deepseek-v4-flash-vision-exp，需要等对应的 API 端点可用。

8 月 20 日，还有开发者实测发现，给这个尚未开放的模型名传图，只会收到 400 错误。

8 月 21 日，这个限制被拿掉。Harness 把 deepseek-v4-flash-vision-exp 加进默认模型目录，对应的合并提交直接写着「publish the vision model」。随后，DeepSeek 官方 API 文档和公众号同时宣布 Vision Exp 上线。

两条线终于碰到了一起。

Agent

在今年 5 月一场投资者交流会的录音转写里，梁文锋把自己理解中的 AGI 路线排成了几级台阶：语言模型、思维链、Agent、持续学习、自我迭代，再到具身智能。

多模态被他放在组件的位置，和搜索差不多。

谈到视频生成时，转写里有一句话：

在商业上，它是个好生意。但是这跟智能没有什么关系。

他的判断是，视频生成、世界模型在当前阶段和智能上限的关系没有那么大，眼前更要紧的是 AI 训练，以及训练之后的持续学习。

多模态不一样的地方在于，它虽然也被放在「组件」的位置，却是 DeepSeek 明确说过一定会做的组件。梁文锋当时还提到，V4 以及后续版本会支持原生多模态。

视觉在 DeepSeek 的路线里一直有位置，只是排得没有那么靠前。

等路线走到第三步 Agent，情况开始有些不一样了。

DeepSeek 没有公开说过，这次视觉 API 是「为了 Agent 才上线」。但把梁文锋对路线的判断和今天的发布放在一起，两条线已经很难完全分开看。

Agent 要读屏幕，要看图表，要处理工具扔回来的截图。它不可能永远生活在纯文本里。那些已经做了两年的视觉能力，也终于从论文、仓库和测试页面里，一路走到了 API。

DeepSeek 今天给 Vision Exp 展示的三个例子也都不是传统的「看图说话」：一个 Agent 给高端客户制作西藏自驾游 PPT，一个重新设计 DeepSeek Harness 官网，还有一个根据视觉要求制作带动态效果的前端 Demo。

它们都需要模型在长流程任务里反复处理视觉信息。

API 的设计也在往这个方向靠。Responses API 同样接受 input_image，浏览器 Agent 可以拿到网页截图以后，把它重新送进下一轮推理；代码 Agent 可以检查渲染结果，图表、扫描件和软件界面也能直接成为上下文。

Files API 则解决另一件事：同一张图不用在每轮请求里重复上传。一个文件可以长期放在那里，Agent 只需要反复传 file_id。单次请求最多还能放 600 张图片。使用外部链接或 Base64 时，单张图片上限是 32 MiB，通过 Files API 引用后可以到 64 MiB。

这已经不太像给聊天框加一个「上传图片」按钮。

它更像是在补 Agent 使用视觉时需要的基础设施。

DeepSeek 公布的四项多模态 Agent 对比，也很少在考传统意义上的「看图说话」。

ApexBench 关注投行、咨询和法律等长流程任务。Agents' Last Exam 来自 55 个专业领域的真实工作。Chartography 专门考 Kaplan-Meier 曲线、K 线、等高线、桑基图和波特图。ZeroBench 则用 100 道人工设计的难题测试多步视觉推理。

Vision Exp 对 Claude Opus 4.8 拿到两胜两负。

Agents' Last Exam 是 27.3 对 25.7，ZeroBench 是 35.0 对 34.0。ApexBench 为 36.5 对 39.4，Chartography 为 64.3 对 65.0。四项差距都没有超过 3 分。

更有意思的是，加上视觉以后，原来的文本 Agent 能力没有明显掉下去。

和 7 月 31 日发布的纯文本 V4 Flash 逐项比较，官网同时给出前后成绩的五项文本 Agent 评测全部上涨。

Terminal Bench 2.1 从 82.7 涨到 83.9，NL2Repo 从 54.2 到 57.7，DeepSWE 从 54.4 到 59.3，DSBench-Hard 从 59.6 到 63.6，AutomationBench 从 25.1 到 25.7。DeepSWE 的 59.3，也超过了图中 Opus 4.8 的 58.0。

不过，这组数字来自 DeepSeek 自己的测试。官方注明，公开 Code Agent 文本任务中的 DeepSeek 系列模型使用 DeepSeek Harness 极简模式，推理档位设为 max。它们更适合用来观察 Vision Exp 相比自家 V4 Flash 的变化，而不是直接当成第三方独立排名。

模型名字后面的 exp 也还没有摘掉。

DeepSeek 明确把它标成实验模型，版本仍然可能继续变化。现在的接口只做图片理解，输出依然是文字。图片生成和视频没有开放，Files API 也只接受 JPEG、PNG、GIF 和 WebP，PDF 不能直接塞进去。

2024 年，开发者想给 DeepSeek 发一张图片，官方 API 还接不住。

到 2026 年 8 月 21 日，这张图片终于进来了。

DeepSeek 的眼睛确实睁开得晚。

等它真正睁开的时候，前面的路已经不允许它继续闭着眼睛走了。