DeepSeek低调上线V4 Flash Vision Exp：多模态仍是配角，Agent推理才是主线

事件概述

2026年8月21日，DeepSeek上线DeepSeek V4 Flash Vision Exp，官方将其定位为多模态视觉理解模型。与V4 Flash、V4 Pro不同，该模型没有附带技术报告，也没有开源，官方仅公布了性能表和演示案例。

从命名和架构看，DeepSeek V4 Flash Vision Exp基于V4-Flash搭建，核心推理逻辑沿用DeepSeek此前提出的“视觉原语”方案。该方案来自DeepSeek、北京大学、清华大学联合研究论文《Thinking with Visual Primitives》，论文于4月30日发布，5月1日被删除，但机制已应用于6月上线的Vision模式。

核心信息

• 基准选择透露真实定位：官方公布的成绩集中在Agent基准，如Terminal Bench 2.1得分83.9、DeepSWE得分59.3，而非传统视觉模型常用的MMMU、MathVista、DocVQA、ChartQA、OCRBench。这被解读为DeepSeek的关注点不是“看图答题”，而是“看完图把任务继续做下去”。

• 多模态仍是“组件”而非“主线”：梁文锋此前在多模态问题上表示，多模态对C端产品重要，但对智能上限而言只是组件，不是主线本身。DeepSeek V4 Flash Vision Exp的表现方式与这一判断一致：多模态能力被用来强化Agent和推理链路，而不是单纯展示图像理解能力。

• DSH更新与“两条腿”路线：8月19日，DeepSeek主力产品DSH更新rc.8版本，提升Agent多模态能力。一条路线是“原生直通”，当底层模型支持视觉输入时，图片直接送入模型；另一条是“工具层视觉”，对纯文本模型自动降级为OCR、颜色统计、像素扫描等结构化工具链，社区称之为“伪视觉”。在V4 Flash Vision Exp之前，DSH自身没有视觉模型，主要依赖社区插件或外部视觉模型转写。

值得关注

• 社区实测显示，DeepSeek V4 Flash Vision Exp无法识别梁文锋本人的一张代表性照片，在复杂图表理解、中文场景处理上表现偏弱，部分用户还反馈图片输入影响上下文缓存。整体评价接近“效果一般”，官方更像是在正式版前先给用户“尝一口”。

• 发布前一日，OpenAI开源了Codex Harness，将多模态放在Agent运行时的核心位置：模型可直接接收截图和界面，在同一条任务链中完成理解、工具调用和结果修正。相比之下，DSH在V4 Flash Vision Exp之前只能基于“模型处理过的图片”推理，原生视觉输入可以降低信息损耗。DeepSeek此时上线Vision Exp模型，带有明显的回应意味。

• DSH的“最后一公里”正由社区补足。大二学生Benson Wang开发了DSH Desktop，提供“一键安装”的桌面版，上线几天即获1.8万GitHub星标；其还在推进手机版anywhere DSH，计划通过iOS和Android连接桌面端。官方团队已关注DSH-better-sidebar、awesome-dsh-plugins等第三方项目，未来DSH可能吸纳社区成果并上线官方插件市场。