引言：一只眼睛引发的 483 分热帖

2026 年 8 月 21 日，DeepSeek 在官方 API 文档站悄然上线了一个实验模型：deepseek-v4-flash-vision-exp。没有任何发布会，没有铺天盖地的 PR，却在 Hacker News 上拿到了 483 个赞，登上当日热榜。评论区一片玩梗：“恭喜 DeepSeek 终于长出了眼睛，黑暗的日子要结束了”。

这个模型的特殊性不在于“能看图”本身——Claude 和 GPT 早就支持——而在于它来自一家曾公开宣称“纯文本就足够实现 AGI”的公司。当信仰与现实碰撞，DeepSeek 给出了一个非常务实的答案：文本能力一分不动，把视觉补成 agent 工作流的最后一块拼图。

从“纯文本信仰”到多模态：一次务实的战略转身

DeepSeek 创始人此前多次在公开场合表达过一个观点：语言本身已经包含了世界的大部分结构，多模态不是通往 AGI 的必经之路。这一立场曾让不少开发者坚信 DeepSeek 永远不会做视觉模型。然而 V4-Flash 0731 版本在实际使用中暴露了一个尴尬问题：模型经常“幻觉”自己拥有视觉能力，然后编造出“文本图像分析工具”去假装看图——有用户吐槽，必须反复叮嘱它不要读取截图，否则会话会被它自己搞崩。

社区把这种现象称为“模态幻觉”：当模型的文本世界知识里塞满了“图片长什么样”的描述，却没有任何真实的视觉通道时，它就只能表演。Vision-Exp 的发布正是对这个问题最直接的回应——与其让模型假装看见，不如真的给它一双眼睛。这也解释了为什么 HN 上热度最高的一条评论是“希望它能看清 Playwright 的截图”：对 agent 开发者而言，视觉缺失一直是 DeepSeek 系模型在自动化场景里的最大痛点。

deepseek-v4-flash-vision-exp：定位与能力基线

从官方新闻公告来看，这是一个“实验性多模态模型”：文本能力与 V4-Flash 完全持平，包括 agent 能力、推理和世界知识；在多模态 agent 基准测试上则大幅超越 V4-Flash，整体表现“接近 Opus-4.8”。换句话说，DeepSeek 没有重新训练一个全能模型，而是在既有文本主干上叠加了视觉编码器，把多模态能力作为一种增量供给。

这个定位非常聪明：文本主干的成熟度决定了模型不会因为加视觉而智力倒退，视觉编码器则负责把图像内容翻译成模型已经理解的 Token 序列。同步发布的还有 DeepSeek Harness 0.1.1——官方评测框架，开箱即用地支持新模型，方便开发者复现其基准成绩。

图片如何变成 Token：Vision Tokenizer 的计费魔法

Vision-Exp 最值得玩味的工程细节，是它的图片计费方式：官方文档明确写道，“图片按尺寸换算成 Token，与文本 Token 合并计费，每张最多 384 个 Token，价格按 V4-Flash 标准”。这是一个与 OpenAI、Anthropic 完全不同的计费范式——后两者按图片分辨率档位（low/high）或固定单价收费，而 DeepSeek 把图片“数字化”成了与文本同构的计费单元。

关键机制是推理前的自动缩放：总像素数低于约 384×384 的图片会被等比放大；更大的图片则等比缩小，使总像素数大致落在 800×800 图像的水平。缩放之后，图片被 tokenizer 切成视觉 patch，每个 patch 映射为若干 Token——单张图片的 Token 开销因此存在一个硬上限 384，直接绑定了推理成本。对开发者来说，这意味着“看一张图”的价格透明且可预期，与多写 384 个字没有区别。

800×800：分辨率取舍背后的推理经济学

800×800 的等效分辨率大约只有 64 万像素，HN 上有评论尖锐地指出：这比 1995 年 Super VGA 显示器的 79 万像素还低，要读懂一整页 A4 文档上的小字几乎不可能，OCR 类应用会明显受限。这确实是 Vision-Exp 眼下最大的短板——视觉细节被砍掉，换取的是推理速度和成本的可控。

这背后是典型的推理经济学取舍：视觉 patch 越多，prefill 阶段的 KV Cache 和 attention 计算量越大。DeepSeek 的一贯策略是用相对保守的输入分辨率换取 Flash 级别的高吞吐与低价，把“看得清”留给未来可能的高分辨率版本。对于聊天场景、图表概要、页面截图这类主体信息在宏观结构的任务，800×800 已经够用；但需要精确识别小字体的场景，仍需等待后续迭代。

Files API：一次上传，多次引用

与 Vision-Exp 同步上线的还有 Files API：把图片上传一次获得 file_id，之后可以在多个请求中反复引用，无需重复上传。官方强调它完全免费，主要价值在于节省请求带宽——尤其适合 agent 工作流中同一张截图被多个子任务轮询分析的场景。配合 48 MiB 的请求体限制，长文档截图直接 base64 内联会迅速撑爆请求体，Files API 就成了解药。

代码实战：三种方式把图片交给 DeepSeek

API 完全兼容 OpenAI Chat Completions 格式，支持 Chat Completions、Messages 与 Responses 三种接口。第一种方式是 base64 内联：本地文件经 base64 编码后作为 data URL 塞进 content 数组，适合单次请求。第二种是外部 URL：直接传一个公网可访问的 http(s) 链接，模型自行下载，但 URL 最长 8192 字符、图片最大 32 MiB、下载必须 60 秒内完成。第三种就是 Files API，先上传拿 file_id 再引用，适合多轮复用。三种方式的 content 数组结构完全一致，只是 image_url 的 url 字段值不同。

以 Python 为例，把一张本地截图交给模型只需要十几行代码：构造 OpenAI client、设置 base_url 为 https://api.deepseek.com、用 open() 读取图片并做 base64 编码，再把 \"data:image/jpeg;base64,...\" 作为 image_url 传入 messages，最后调用 chat.completions.create 指定 model=deepseek-v4-flash-vision-exp。这张图就会以最多 384 个 Token 的代价，变成模型上下文里真实存在的视觉信息。

写在最后：多模态对 agent 工作流的真实意义

Vision-Exp 的发布让 DeepSeek 的 agent 生态第一次有了完整的“感官”：浏览器自动化可以真正“看”截图而不必解析 DOM，文档处理可以直接理解图表而不用依赖 OCR 文本，多模态 agent 基准接近 Opus-4.8 的成绩则意味着这些能力不是摆设。对独立开发者来说，DeepSeek 的价格优势 + 图片 Token 化计费，让“看得懂图的 Agent”第一次成为低成本基础设施。

当然，800×800 的分辨率上限、实验模型的稳定性风险、开放权重与否的悬念，都是它需要回答的后续问题。但无论如何，“纯文本 AGI”的叙事已经翻篇——这家公司用一期实验模型证明，补票多模态并不需要背叛自己的推理优势，只需把视觉变成另一种 Token。