2026 年 8 月 21 日，DeepSeek 上线了 V4 Flash Vision Exp，一个多模态视觉理解模型。没有技术报告，没有开源，只有一张性能表和几个演示案例。但评测列表里放的，全是 Agent 基准。
注：三项核心指标分别对应发布日期、Agent 工程基准与软件工程基准，均为官方公开数据。
8 月 21 日，DeepSeek 上线了 V4 Flash Vision Exp。与 V4 Flash 和 V4 Pro 不同，这个模型没有技术报告，没有开源，官方只给了一张性能表和几个演示案例。
它不像 DeepSeek OCR 那样只是一个"组件"——它更像是一个"主线"模型。
但梁文锋的观点并没有改变。他在此前明确表示，多模态对产品很重要，但对智能的上限而言，它是一个组件，不是主线本身。V4 Flash Vision Exp 所做的事，正是把多模态嵌入到 Agent 与推理这条主线上。
发布时展示 MMMU、MathVista、DocVQA、ChartQA、OCRBench——考"看图答题"。
评测列表放的是 Terminal Bench、DeepSWE、Chartography、ApexBench——考"看完图，把事做下去"。
注：对比揭示了两类模型的核心差异——前者评估识别能力，后者评估 Agent 执行力。
V4 Flash Vision Exp 的评测列表，透露了它的真实定位。传统的多模态基准一个都没放，取而代之的是清一色的 Agent 方向：
注：柱形为相对示意，非精确比例；分数标注以官方数据为准。全部基准均围绕"执行任务"而非"识别内容"设计。
这张跑分图本身就是一种暗示。DeepSeek 想传递的信息是：多模态从来不是让你"看图聊天"，而是让 Agent 看懂网页截图、读懂图表数据、理解 UI 布局，然后把任务做下去。
4 月 29 日，DeepSeek 多模态负责人 陈小康 预告了多模态识图功能的灰度测试。第二天，一篇论文《Thinking with Visual Primitives》发布，随后被删除——但社区保留了拷贝。
这篇论文的核心思想：模型能看见，但不一定能想清楚。
传统多模态模型用自然语言描述图片里的对象，比如"左边那个男的""右边那个高的"。在复杂场景中，这种描述非常模糊，模型容易越推越乱。DeepSeek 的解法，是把 点坐标和边界框提升为"思维的最小单元"，直接嵌进推理链。
6 月，DeepSeek 在客户端和网页端上线的 Vision 模式，底层就是这套机制。V4 Flash Vision Exp 则是把同一技术嫁接到 API 基座上，重点强化多模态 Agent 能力。
V4 Flash Vision Exp 不是孤立的模型发布。同一天，DSH（DeepSeek Harness）更新了 rc.8 版本，多模态能力"两条腿走路"：
底层模型声明支持视觉输入时，图片原封不动送进模型，不做任何中间加工。
纯文本模型自动降级为 OCR + 结构化信息提取，拆成证据后交给模型推理。
rc.8 之前，DSH 连"伪视觉"都没有，全靠社区插件补位。如今两条腿并行，意味着 DeepSeek 在多模态 Agent 这条路上，正在从"借别人的眼睛"走向"用自己的眼睛"。
社区也在补足最后一公里。
DSH 的开源生态催生了多个第三方项目：一键安装的桌面版、侧边栏增强插件、插件市场搜索雷达。这些项目降低了 DSH 的使用门槛，也在反向推动官方完善产品体验。
注：链路展示 DSH 多模态 Agent 的完整工作流，视觉理解不再是孤立的"识别"环节，而是推理链的一部分。
多模态从来不是目的，而是手段。DeepSeek V4 Flash Vision Exp 的真正价值，不是让模型"看图聊天"，而是让 Agent 看懂世界之后，把任务做下去。在 Agent 时代，视觉理解能力正在成为推理链上的一环——谁先把它嵌入闭环，谁就多一张底牌。
V4 Flash Vision Exp 已通过 DeepSeek API 上线，Vision 模式同步在官网与客户端开放。点选「Vision」即可体验视觉原语驱动的 Agent 能力。
DeepSeek 官网 → 开启 Vision