DeepSeek V4-Flash-Vision-Exp 多模态视觉模型发布

DeepSeek 并未推出独立的高端多模态旗舰产品，而是直接将原生图像输入功能添加到其现有商品化定价的 Flash 层级中 ^[1]。每张图像最多被标记为 384 个 token，并以与文本 token 相同的价格计费，视觉输入无附加费用 ^[1]。在非高峰定价下，单张 384-token 图像的成本约为 0.00008448 美元，处理约 1,000 张图像的总成本仅为不到一美元的一小部分 ^[3][6]。《The Decoder》认为这才是真正的新闻：DeepSeek 不仅发布了一个新模型，更是将其已为高使用量定价的模型系列扩展到了多模态领域 ^[4]。

DeepSeek 的宣传强调该模型“接近 Opus-4.8”，但其公布的基准测试数据表讲述了一个更有限的故事：TheNextWeb 的分析指出，在列出的十一项基准测试中，该模型仅在三项中胜出 ^[2]。在仓库级编码任务（NL2Repo，57.7 对比 69.7）上，该模型落后 Opus 4.8 近两位数，在 DSBench-Hard（63.6 对比 71.7）上差距稍小 ^[2]，而在 Agents' Last Exam 和 ZeroBench 等任务上仅略微领先 ^[3]。DeepSeek 还承认，其在某些比较中使用的纯文本 V4-Flash 基线忽略了特定基准任务中的多模态元素，这夸大了视觉模型的表观优势 ^[2]。

独立于 DeepSeek 自身数据之外的实际测试呈现出更为混杂的画面。一次动手视频评测发现，该模型能近乎完美地转录密集数学公式，并准确提取多系列商业图表中的具体数值，但在多语言手写识别上表现糟糕——完全遗漏了一整段乌尔都语文本，并在一段印尼语段落中产生幻觉内容，促使评测者警告观众切勿盲目信任其输出。社区对该发布的讨论也反映了这种分歧：有用户报告该模型在混乱的真实世界截图中严重误标内容，另一项关于车牌识别的并排对比发现，尽管结果准确，但其速度较慢且 token 效率低于开源权重的竞品。整体情绪是热情欢迎该模型终于填补了代理能力的空白，但始终伴随着一种谨慎的声音：在精心筛选的任务上取得的高分并不总能顺利转化为混乱真实世界图像的表现。

DeepSeek 基准测试表中的每一项数据均为自报：该公司尚未发布 V4-Flash-Vision-Exp 的模型权重、架构细节或技术报告 ^[3]，导致外部研究人员无法独立验证这些分数。这种不确定性也在讨论该发布的开发者社区中浮现，评论者指出该模型的开源权重状态仍未确认。在上述情况改变之前，“接近 Opus 4.8”这一说法诚实地说只是 DeepSeek 自己的主张，尚未经过独立验证。