DeepSeek 昨天上線了一個沒什麼人注意的模型：deepseek-v4-flash-vision-exp。

官方文檔只多了一句「支援圖片輸入」，沒有發布會、沒有推特狂歡 —— 但評測數據一出來，我直接把主模型和整套工作流都換過去了。

這篇文章是我實測一輪的記錄：評測表、整合過程、踩到的坑、還有兩塊美金的帳單。

這模型強在哪：文字沒退步，眼睛補上了

先講數據。DeepSeek 官方評測（Vision-Exp vs Flash-0731 vs Opus-4.8）：

三個重點：

• 純文字 Agent 能力 7 項贏 6 項：Terminal Bench 83.9、DeepSWE 59.3、Toolathlon 75.9

• 多模態大幅領先舊版：ApexBench 36.5 vs 26.2（+10 分）

• 多模態 Agent 能力接近 Claude Opus 4.8（Chartography 64.3 vs 65.0、ZeroBench 35.0 vs 34.0 甚至反超）

重點不是「DeepSeek 也會看圖了」——是文字能力完全沒犧牲。這在別家（加視覺就砍文本）很常見，DS 這次沒砍。

我怎麼測：Hermes 全換 + 自建 harness

我手上兩套環境，一次全換：

1. Hermes（我的主力 agent）：vision 輔助模型指到 Vision-Exp——貼圖、OCR、分析截圖直接可用

2. Pilot Studio V3 測試版（DS 模型）：主模型換 Vision-Exp，對話、思考流全正常

踩到一個大坑：圖片輸入被框架層剝掉

實測發現：V3 這個框架對第三方模型會直接把圖片輸入整個丟掉——不管檔案路徑還是 base64 都不送給模型。

解法：寫了一個 read-image-local skill，讓 agent 讀不到圖時自動開 macOS 內建 Vision OCR。結果不但能讀，還會自己裁切放大交叉比對模糊數字。

帳單：這才是最嚇人的部分

測試一輪（主模型 + 讀圖 + 分析 + 對話全跑）：

• 測試一輪總消費：$2.01

• Vision-Exp 單獨用量 48 萬 tokens：$0.02

• 82% 是快取命中（cache hit）

48 萬 tokens 兩分錢美金——實驗模型、跟 Flash 同價、能力逼近 Opus。這數字比任何評測都有說服力。

為什麼這值得注意

DeepSeek 的 Agent 路線越來越清楚：V4 解決百萬上下文 → Flash 解決便宜快速 → 現在 Vision-Exp 補上眼睛。

「別人負責看，DS 負責想」→「DS 自己看、自己想、自己操作」。視覺對 Agent 不是錦上添花，是基礎設施——沒眼睛的 Agent 就像矇眼操作電腦的高手。

而下一個戰場是 Agent Runtime：誰能把模型（大腦）+ 視覺（眼睛）+ harness（手腳）整合順，誰就卡住位置。

提醒：這是 Exp

名字後面的 Exp 就是實驗版的意思——穩定性、視覺幻覺、複雜 GUI 定位都還要驗證。
我敢換是因為成本跟 Flash 一樣，翻車了換回來就好。

結論

• DeepSeek Vision-Exp：文字能力不減、多模態接近 Opus 4.8 的實驗模型——跟 Flash 同價，48 萬 tokens 實測 $0.02

• 實測：Hermes 全換 Vision-Exp 測試一輪 $2.01；Pilot V3 測試版圖片輸入有框架層限制，用 OCR skill 繞過

• 下一步：半年後正式版開源、下個月新 Mac——本機跑 DS 多模態，整套工作流已 standby

一句話：現在換上 Vision-Exp，等於免費預習半年後的 DeepSeek。


以上是個人目前的測試心得
Exp版數據隨時更新

౨ৎ Anthony 不負責任編輯 ~