DeepSeek发布多模态模型V4-Flash-Vision-Exp：跑分亮眼但实测识人与复刻能力存疑

事件概述

DeepSeek正式发布首个多模态视觉模型 DeepSeek-V4-Flash-Vision-Exp。该模型原生支持图片输入，旨在补齐DeepSeek在多模态领域的短板。模型以“实验版（Exp）”形式低价开放，核心策略是通过降低使用门槛，鼓励开发者和用户在真实工作流中进行测试，从而收集反馈以优化后续正式版本。

核心信息

1. 定价与基础能力

• 低成本策略：延续了DeepSeek一贯的低价路线。每张图像最多折算为384个输入Token。在高峰期，约0.01元人民币即可处理8张图片。
• 技术底座：基于轻量级的V4-Flash架构（284B总参数，13B激活参数），而非更重的V4-Pro，以控制视觉处理带来的额外算力成本。

2. 官方表现 vs 实测落差

• 官方数据：在需要视觉理解的Agent Benchmark中，其多模态Agent成绩接近Anthropic的顶级模型Opus 4.8，保留了原有的推理和世界知识能力。
• 用户实测反馈：
  • 人脸识别失败：在识别知名人物时出现严重错误，例如将DeepSeek创始人梁文锋误认为美团王兴或字节跳动张一鸣；将时代少年团合照判定为AI生成的假图。
  • 复杂任务效率低：在执行Three.js三维场景生成任务时，相比Gemini 3.7 Flash，Token消耗高出近15倍，耗时多出3.5倍，且频繁出现自我纠错和断联。

3. 深度实测对比
针对“截图复刻网页”这一高价值多模态编码任务，对DeepSeek V4-Flash-Vision-Exp、智谱GLM-5.3及月之暗面Kimi K3进行了对比测试：

• DeepSeek V4-Flash-Vision-Exp：能搭建出网页整体框架（如流程图位置、文字区块），但色块边缘简化、小图标丢失、排版错位，距离“一比一复刻”差距较大。
• GLM-5.3 & Kimi K3：表现更优。GLM-5.3生成的页面结构清晰，模块未拥挤；Kimi K3不仅还原结构，还实现了原图的色块渐变和发光效果，层次更接近原图。
• 梗图理解：在包含马斯克、梁文锋及奥尔特曼的合成梗图中，模型虽能识别部分人物外貌，但未能准确解读图片背后的政治/商业隐喻，甚至将奥尔特曼误判为AI陪衬。

值得关注

• 发布策略分析：DeepSeek选择先发布“Exp”版本而非直接替代原有纯文本模型，与其此前发布V3.2-Exp验证稀疏注意力机制（DSA）的策略一致。这种“边用边测”的模式允许稳定用户继续使用旧版，同时让尝鲜者暴露潜在Bug。
• 未来迭代方向：目前的短板主要集中在细粒度视觉识别（人脸、微小图标）、语义深层理解（梗图逻辑）以及长上下文下的代码生成稳定性。正式版需重点解决这些问题以提升竞争力。