鲸鱼终于睁开眼：DeepSeek视觉模型补齐Agent最后一块拼图

导语：DeepSeek正式推出视觉模型deepseek-v4-flash-vision-exp，这是V4系列首个支持图片输入的视觉模型。从Agent Harness发布时的"模型不支持图片"尴尬，到一周后迅速补齐视觉能力，DeepSeek正在把感知入口接入Agent工作流，为多模态Agent时代铺路。

DeepSeek终于"开眼"了。8月21日下午，DeepSeek官方API文档出现了一个新的模型：deepseek-v4-flash-vision-exp。这是DeepSeek V4系列首个直接支持图片输入的视觉模型，拥有1M上下文，最大输出长度384K，支持JSON Output、Tool Calls等能力。

就在一周前，DeepSeek刚开源了自己的Agent Harness。但一个非常实际的问题很快暴露：DeepSeek自己的模型没有视觉能力。在Harness的GitHub讨论区里，"怎么让DeepSeek看图"已经成为高频问题。开发者上传图片时，Harness直接返回：MODEL_DOES_NOT_SUPPORT_IMAGES。

社区开始自己给DeepSeek"装眼睛"。一种方案是在DeepSeek前面接一个视觉模型，先把图片转成文字描述再交给DeepSeek推理；另一种方案尝试修改Harness让图片先保存到工作区再由视觉插件读取。GitHub上已经出现了多个vision bridge插件。

V4 Flash Vision Exp的出现开始补上这块短板。它被放进了V4 Flash产品线而非V4 Pro，这意味着DeepSeek首先选择将视觉能力接入更小、更快、更便宜的模型。V4 Flash本身只有284B总参数、13B激活参数，定位高吞吐、低成本。

瞄准的不是单纯的图片聊天，而是大量发生在Agent里的视觉任务——读网页截图、识别报错界面、分析图表、查看软件UI、读取设计稿。这些任务对"单次图片理解达到最强"未必有极端要求，却非常在意速度、价格以及能否连续运行。

定价延续V4 Flash，图片按Token计费。每张图片最高换算为384 tokens，缓存命中空闲时段价格为0.05元/百万Token。DeepSeek继续把新能力压进现有Token计价体系，视觉理解再次进入价格战区间。

它仍然带有Exp后缀——DeepSeek此前也走过类似路线，先推出实验版验证新架构，再根据社区反馈决定最终版本。Vision Exp很可能承担类似角色：先把模型交给开发者，在真实图片和Agent工作流中寻找问题，再决定最终版本。

与此同时，DeepSeek同步推出了Files API，开发者可以先上传图片文件，通过file_id在不同请求中引用同一文件，无需重复上传。对于需要长期分析产品资料的Agent来说，这类文件管理能力的重要性正在提升。

多模态能力的加入让Agent能处理的信息范围进一步扩大。文字是人类交流的重要方式，但大量真实工作依赖图片、文件、界面和环境信息。一个只能处理文本的Agent，很难真正进入办公、设计、开发等复杂场景。DeepSeek通过V4 Flash Vision Exp、Files API以及Harness生态支持，正在尝试补齐这一环节。