一、两条路各是什么

路径一：DeepSeek V4-Flash-Vision-Exp（云端平价 API）

• 首次在 API 开放图像输入，调用时把模型设为 deepseek-v4-flash-vision-exp，请求里带 image_url 即可传图
• 纯文本能力与 V4-Flash 正式版持平，视觉理解按官方口径补上后，多模态 Agent 能力接近 Opus-4.8（Agents’ Last Exam / ZeroBench 口径，厂商/媒体报道，待独立复核）
• DeepSeek Harness 同步支持图片附件持久化与图文混合输入，适合做多模态 Agent 工作流
• 优点：零部署、按量付费、DeepSeek 一贯的平价定位；缺点：数据出本机

路径二：Meta Muse Glimmer（本地开源模型）

• Apache-2.0 协议，30B 多模态，专为常驻本地 Agent 工作流打造（编码 Agent、LLM-as-a-Judge、函数调用）
• 4-bit 量化把内存占用从约 55GB 压到 18-20GB，单张 24GB/32GB 消费级显卡可跑；Mac 用 MLX 引擎（Ollama muse-glimmer:30b-mlx）
• 支持 low/medium/high/xhigh 四档可控推理强度，简单任务用低档省电
• 优点：数据不出机器、无 API 费用、可离线；缺点：30B 规模能力低于云端旗舰，复杂任务要降低预期

二、开发者怎么选：一张决策表

三、两个现实提醒

1. 基准数字先打折再看：DeepSeek「接近/超过 Opus-4.8」与 Muse Glimmer 的能力描述，目前都主要是厂商/媒体报道口径，没有拿到手里的第三方独立复核。选型前用自己的典型图片（票据、截图、海报）各跑一轮，比看基准分数有用。
2. 「能看图」只是第一步：真正的 Agent 能力在「看图之后干什么」——理解→决策→调用工具→执行→校验。两条路径现在都只补齐了第一环，后面的执行层仍要自己搭（参考上一期 OpenAI 开源 Codex Harness 的思路）。

四、结论

「看图 Agent」的门槛，正在同时被云端平价化和本地开源化两条路拉低。对独立开发者：轻量场景先接 DeepSeek 验证需求，跑通了再评估是否需要本地自持；对做便携打包、离线工具、隐私敏感场景的从业者，Muse Glimmer 是当前「消费级硬件可跑」的现成选择。