DeepSeek 新视觉模型有点狠：一张图只要 384 tokens，但“接近 Opus”别急着信

先说结论

DeepSeek 这次终于给 V4 Flash 装上了“眼睛”：官方跑分称它在几项视觉 Agent 测试里贴近甚至超过 Claude Opus 4.8，但第一批真人测试马上提醒我们，跑分漂亮不等于真实世界不会自信看错。

8 月 21 日上线的 DeepSeek-V4-Flash-Vision-Exp，是 V4 Flash 第一次直接接收图片并把视觉理解放进 Agent 工作流。它能读截图、网页、图表、PDF 页面和商品图；每张图片最多计约 384 个输入 tokens，价格与 V4 Flash 相同。

这很可能是低价视觉 Agent 的一个重要入口。但 Exp 仍然是实验版，“接近 Opus 4.8”来自 DeepSeek 自己的对比表，不能直接翻译成全面追平。

官方表格很猛，但不是一张“全面胜利”成绩单

DeepSeek 给出的对比里，Vision-Exp 在三项任务超过 Opus 4.8：DeepSWE 为 59.3 对 58.0，Agents’ Last Exam 为 27.3 对 25.7，ZeroBench Pass@5 为 35.0 对 34.0。Terminal Bench 2.1 也只差 1.1 分，83.9 对 85.0。

但 NL2Repo 是 57.7 对 69.7，DSBench-Hard 是 63.6 对 71.7；ApexBench 则为 36.5 对 39.4，差距仍在。更准确的说法是：一个便宜得多的 Flash 模型，在部分视觉与 Agent 任务上咬住了旗舰，复杂代码仓库和数据科学任务还没有。

这些数字首先是厂商自报结果。测试还使用了 DeepSeek Harness 的特定配置，纯文本 Flash 在含多模态元素的任务里本来就无法读取图片。结果值得关注，但需要外部复现。

真正改变成本曲线的是 384 tokens

DeepSeek 会先按比例缩放图片，再把视觉内容折算成 tokens；单张图片最多 384 tokens。V4 Flash 的价格表也适用于 Vision-Exp：百万输入 tokens 空闲时段 1.5 元、高峰 3 元，输出分别为 4.5 元和 9 元。

对需要反复截图的 Agent，这个上限比排行榜多一分更有用。打开后台、找订单、检查页面、再截图验证，一次任务几十张图片并不罕见。每张图的输入成本可以很低，真正会把账单推高的是重复观察、失败重试和后续输出。

但压缩也会带来代价。大图会被缩到大约 800×800 像素级的信息预算，风景照和商品主图可能够用，4K 网页、密集 Excel、ERP 小字、合同页和复杂仪表盘就要小心。最漂亮的卖点，正好也是最需要做 A/B 测试的限制。

第一天就出现了“自信看错”

模型发布后，Hacker News 上一位开发者用自己的公共地标测试跑了一轮：照片实际是 Wells Cathedral，提问是“这是 Salisbury Cathedral 吗？”，模型却肯定回答“是”，还补充成 Salisbury Cathedral 的西立面。测试者称，在他的样本里，DeepSeek 的漏判和误判明显多于字节 Seed 2.1 Turbo。

这只是一位用户的一套测试，不能证明 Seed 全面更强，也不能说明 Vision-Exp 很差。但它暴露了一种 Agent 最怕的错误：模型不是回答“不确定”，而是认错后继续自信解释。放进网页操作链里，错误状态可能被当成事实，随后触发通知、更新 CRM 或关闭任务。

“会看图”还不等于完整 Computer Use Agent

开发者在同一讨论中指出，目前接口更自然的用法仍是“用户把图喂给模型”。真正闭环应该是：工具截图，作为 tool result 返回，模型检查操作结果，再继续点击或修正。这个链路在不同 Harness、MCP 和 ACP 实现里还没有完全顺滑。

DeepSeek Harness 0.1.1 已加入视觉模型，/goal、/plan 可以接收图片，OpenCode Go 也快速接入。公开使用统计很快出现了数千个会话和大量 Token，说明开发者确实开始把它接进 Agent，而不是只围观发布。

我们的判断：值得试，但先别删掉 Opus

Vision-Exp 最有机会成为“视觉工作马”：负责便宜地看截图、商品图、图表和文档，遇到复杂情况再交给更强模型。它适合已经在用 V4 Flash、需要批量视觉初筛、或希望把数据留在低价 API 方案里的团队。

现在可以做小规模真实任务 A/B：网页截图、小字 OCR、图表读取、操作后状态核验各准备一组样本，记录误判、重复截图次数、延迟和总成本。不要因为一张官方表格就替换生产视觉模型。

仍然要观察

• 独立评测能否复现 59.3、27.3、35.0 等官方成绩，以及它在 NL2Repo、DSBench-Hard 的差距是否缩小；
• 384-token 压缩对小字、密集表格、复杂 UI 定位的实际损失；
• 工具截图回传是否在主流 Agent Harness 里形成稳定闭环；
• 实验模型的版本稳定性、限流、延迟和未来是否转为正式版。

一句话评价：价格已经很有吸引力，能力也明显不是玩具；但“视觉接近 Opus”还需要更多真人测试证明。