DeepSeek给Agent装了“原装眼睛“：社区外挂一星期，官方亲手拆了

liuzi511

288人浏览 · 2026-08-22 06:37:45

liuzi511 · 2026-08-22 06:37:45 发布

昨天我们聊完"社区给 DeepSeek 补眼睛"——ModLens 这些插件，用外部视觉模型当翻译，帮纯文本的 DeepSeek 看懂图片。

结果今天下午，DeepSeek 官方就把"原装眼睛"掏出来了。

8月21日，DeepSeek 上线了 V4 系列首个视觉模型 DeepSeek-V4-Flash-Vision-Exp，开放 API 澎湃。

时间线是这样的：

一周前，DeepSeek 自己"看不见"图。GitHub 讨论区里"怎么让 DeepSeek 看图"成了高频问题，上传图片直接报错 MODEL_DOES_NOT_SUPPORT_IMAGES 36氪；
这一周，社区忙坏了。桥接 Qwen-VL 的、写 vision bridge 插件的、做 dsh-deepseek-vision 的……大家抢着给 DeepSeek 装"假眼"；
今天，官方真眼到了。

更绝的是，昨天大家刚在文章里夸完社区插件多好用，今天就发现——官方这套"原装眼睛"，直接抄了社区的后路。

这事值得掰开讲。

先复盘：社区这一周是怎么"装眼睛"的

DeepSeek 的 V4 系列模型是纯文本的。模型目录里被声明成输入模态只有 text，图片甚至进不了会话，Agent 自然也没法处理。

但 DeepSeek 自己刚开源了 Harness——一个高度插件化的 Agent 运行时。Agent 能调终端、改文件、跑代码、调外部工具，偏偏面对最常见的截图、网页图片、报错界面时，只能干瞪眼 36氪。

这个尴尬局面，社区用一周填上了。

主流方案是"桥接"：在 DeepSeek 前面再接一个 Qwen-VL 之类的视觉模型，先把图片翻译成文字描述，再交给 DeepSeek 推理。最出名的 ModLens 就是干这个的——把图片解析成结构化 JSON（OCR 文字 + 版面布局 + 语义内容），喂给 DeepSeek，让它"借别人的眼睛"看世界阿里云开发者社区。

聪明，但绕路。

多了一层外部调用，多了一份延迟和成本，还把自己的视觉能力托付给了别的公司。这就像一个人没有眼睛，雇了个秘书每天帮他念——能用，但总归隔着一层。

社区也知道这是权宜之计。所以当 Harness 的 RC.8 更新里出现"模型适配器支持配置原生图片请求"时，不少开发者第一反应都是：官方的视觉模型是不是要来了？ 36氪

有人甚至直接从 Harness 的代码和配置里，扒出了 deepseek-v4-flash-vision-exp 这个还没官宣的模型名 36氪。

果然，今天下午，官方正式官宣。

官方"原装眼睛"：纯文本不降级，视觉大幅跃升

先看硬数据。

纯文本能力不降级。 在 Agent、推理、世界知识等纯文本任务上，Vision-Exp 与 V4-Flash 正式版基本持平 DeepSeek官方更新日志。这是最关键的信号——加上视觉，没有拖累原本的文本推理。

视觉能力大幅跃升。 在需要视觉理解的 Agent Benchmark 上，多模态 Agent 能力已接近 Anthropic 的 Opus-4.8 DeepSeek官方更新日志。

具体到跟 Opus-4.8 的对比，其实是互有胜负网易科技：

领先：DeepSWE（59.3 vs 58.0）、Agents' Last Exam（27.3 vs 25.7）、ZeroBench（35.0 vs 34.0）
追平：Terminal Bench 2.1（83.9 vs 85.0）、Toolathlon-Verified（75.9 vs 76.2）、Chartography（64.3 vs 65.0）
落后：NL2Repo（57.7 vs 69.7）、DSBench-Hard（63.6 vs 71.7），差 8-12 分

"接近 Opus-4.8"这个说法，在代码 Agent 的复杂任务上其实还差着一截，但"互有胜负"这四个字，对于刚补上视觉第一天的模型来说，已经很能打了。

跟自家 V4-Flash 比更能看出视觉的增量：ApexBench 从 26.2 涨到 36.5，Agents' Last Exam 从 25.2 涨到 27.3 网易科技。而且官方特别说明，旧版 V4-Flash 在这两个基准里是直接忽略多模态元素的——所以这个涨幅，实打实来自"能看见"。

外挂 vs 原生：官方怎么"抄后路"的

官方原装眼睛，跟社区外挂的区别，不只是"不用借别家模型"这么简单。

第一刀：同价。 图片按 token 折算，一张图最多占 384 tokens，价格与 V4-Flash 完全一致澎湃。缓存命中的价格，空闲和高峰时段分别只要 0.05 元和 0.10 元每百万 token 36氪。

这意味着什么？多模态不溢价。 行业里多模态能力通常是收费理由——OpenAI、Anthropic 的视觉模型普遍比纯文本贵。DeepSeek 直接把视觉能力做到和文本一个价。

这招太熟了。R1 当年打推理溢价，DSH 开源打 Agent 外壳溢价，现在多模态继续不溢价——DeepSeek 的每一次出手，都在重复同一个动作：把某个被视作"溢价点"的东西，打成地板价。

第二刀：Files API 同步上线，还免费。 图片上传一次，之后通过 file_id 在不同请求里反复引用，不用重复上传 DeepSeek官方更新日志。对要反复分析同一批截图、图表的工作流来说，省的是实打实的带宽和麻烦。

第三刀：直接进 Harness。 同一天发布的 v0.1.1-rc.1，模型适配器直接新增了 V4-Flash-Vision-Exp 选项，支持原生图片请求；/goal、/plan 命令支持图文混合输入，@菜单能引用文件和会话澎湃。开箱即用。

社区用一周搭的桥，官方用"原生+同价+免费工具链"一套组合拳，轻飘飘地接走了。

当然，这样说有点委屈社区——ModLens 那批插件的价值并没有消失：它证明了需求、试出了方向、也留下了"给纯文本模型补能力"的方法论。某种意义上，社区这周是在替 DeepSeek 做免费的需求探测和市场验证。

而这，可能正是 DeepSeek 想要的。

真正的变化：Agent 第一次能"看见自己的活儿"了

但如果你只把这件事理解成"DeepSeek 终于能看图了"，那就漏掉了最核心的东西。

注意官方放出的三个演示案例——都不是"看图说话"这种基础任务 OSCHINA：

给高净值客户做商业定制的西藏自驾游 PPT——要野性、粗粝、有实拍质感，一个月行程、藏南藏北、三种定价方案；
按"黑蓝深海 + 玻璃 UI + ASCII 像素"等视觉要求，重构 DeepSeek Harness 官网——多轮交互式创作；
制作带黏土怪物动效的前端 Mini Demo。

这三个任务的共同点是：模型要先看懂图片、页面结构和设计意图，再调用工具产出 PPT 或代码。

用深科技的话说——现实中的 Agent 很多时候并不只在文本和代码之间工作，它需要读网页布局、判断按钮位置、理解截图和图表、查看自己生成出来的 PPT 或网页效果，再根据视觉结果继续修改 DeepTech深科技。

这才是"视觉"对 Agent 的真正意义：不是让它会看照片，是让它能看见自己的工作结果，形成执行闭环。

以前 Agent 生成一个 PPT，自己看不见长什么样，只能"盲写"。写完对不对、丑不丑、排版乱不乱，它不知道。现在它能看了——看完不满意，还能改。

从"单向输出"到"闭环执行"，这才是视觉带给 Agent 的质变。

但别急，"Exp"两个字说明一切

这款模型带着"Exp"（实验）后缀，是有原因的。

DeepSeek 没有公布参数规模，没有发布技术报告，也没有给视觉 Benchmark 36氪。

更耐人寻味的是架构猜测：DeepSeek 此前有独立的 DeepSeek-OCR 产品线，而普通 V4-Flash 到 7 月底仍只支持文本输入。有分析认为，Vision-Exp 很可能不是重新训练一个从底层统一处理文本和视觉的模型，而是把已有的视觉编码、OCR 或图像理解模块，接到了 V4-Flash 前面，再由后者完成推理和生成 36氪。

如果是这种架构，它和 Gemini、GPT 这类强调统一多模态训练的模型，本质上还是有区别的——更像"外挂转正"，而不是"原生进化"。

还有个仓促的细节：今天早些时候，有开发者实测发现这个模型最初接收 image_url 时仍返回 expected 'text'，直到官方模型表和视觉接口陆续更新后才恢复 36氪。

这哪是"憋大招"的样子，这是抢时间补位。

但换个角度想，DeepSeek 为什么要抢这个时间？

因为它在补齐 Agent 拼图的最后一块感知入口。回看这条时间线：4月底 V4 发布（无视觉）→ 7月31日 V4-Flash 转正（Agent 特化）→ 8月13日 V4-Pro GA + Harness 开源 → 8月19日 RC.8 埋多模态接口 → 8月21日官方视觉模型落地。每一步，都在往"Agent 能用、好用、闭环"的方向推。

V4 负责模型能力，Harness 负责接入真实任务，视觉负责让 Agent 理解屏幕上的世界 DeepTech深科技。三块拼图，今天算是齐了。