8 月 20 日，代号 deepseek-v4-flash-vision-exp 先一步出现在开源仓库的源码里；如今，它已正式在 API 平台开放图像理解。这不仅是 V4 系列第一次支持视觉输入——随之上线的，还有一轮 Agent 能力的整体上涨：七项评测，五项提升。
DeepSeek 在 API 平台上线实验模型 deepseek-v4-flash-vision-exp，正式提供图像理解服务。在此之前，V4 系列以文本推理、代码生成和 Agent 能力见长，视觉输入一直是缺席的一块拼图。
这一次，"小鲸鱼"真的长出了眼睛。
按照官方文档，图片在 API 服务中会转换成 token 后按 token 计费——价格与 V4-Flash 一致，接入成本并没有因为多模态而变贵。同时支持图文混合输入，可以方便地接入各类 Agent 工具链。
注：以上为 API 规格层面的公开信息整理；实际计费以官方文档为准。
官方同步放出了 Vision-Exp 与 V4-Flash-0731 的对照数据。七项 Agent 测试中，六项发生变化——五项提升，一项小幅回落。
涨得最多的，恰好是最"动手"的两项。
注：柱形以 0 为基线，向右为提升、向左为回落；长度按绝对值比例绘制，+5.6 为满格。数据来自官方对比 V4-Flash-0731 的测试结果。
一个值得注意的细节：视觉编码器本身并不会让代码生成变好。Toolathlon 考的是工具调用，DeepSWE 考的是真实代码库修改——它们都属于长周期 Agent 执行。变好的不是"看"，而是模型"看懂环境、规划步骤、调用工具"的整体能力。
最直接的猜测是"外接一个视觉编码器"。但如果只是这样，文本类 Agent 评测不应该有明显变化。
改动停留在感知层，模型"看见"图片，但规划与执行能力不动——文本 Agent 分数不应上涨。
理解环境、规划任务、调用工具的能力被同步强化——文本 Agent 评测随之上涨，且涨幅集中在执行类任务。
Vision-Exp 更像是一次方向声明：视觉不是孤立功能，而是 Agent 感知层的补完。
注：链路为编辑根据评测任务特征归纳的执行路径，帮助理解视觉输入如何接入 Agent 工作流。
Vision-Exp 的文本 Agent 能力到底是什么水位？把它和当前最强基线之一放在一起，结论才完整。
注：对比对象为 Opus 4.8（官方口径梳理）；分数均为公开测试结果。
更准确的结论是：整体接近 Opus 4.8，在个别代码 Agent 测试上实现反超，但尚未全面超过。
另外别忘了，它还带着 "Exp" 后缀——官方明确将其定义为实验性模型。
Vision-Exp 不是凭空出现的。把时间线拉长，V4 系列的方向一直很明确。
混合专家架构，总参数量 2840 亿、单 token 激活约 130 亿；把 100 万 token 上下文做成默认配置。
新一轮后训练，重点强化工具调用与长周期 Agent 任务。
开发者在 DeepSeek Harness 源码中发现 vision 相关配置；当时 API 尚未开放，图片请求会返回错误。
实验模型开放图像理解，Agent 评测同步上涨——视觉与行动力在同一条逻辑线上汇合。
注：时间线按公开信息整理；"现在"指 API 正式上线的时间点。
给模型加眼睛的价值，不在于"看"，而在于看懂之后能"动手"。Vision-Exp 用一组上涨的 Agent 分数说明：多模态与行动力正在同一轮训练里被打通——感知和执行的耦合，才是下一代 Agent 的分水岭。
实验模型已上线 DeepSeek 开放平台，图像以 token 计费，成本与 V4-Flash 持平。开发者可直接接入既有 Agent 工具链。
DeepSeek 开放平台 → 开发者文档