DeepSeek-V4-Flash-Vision-Exp实测，Agent的眼睛是DeepSeek给的？
- 内容介绍
- 文章标签
- 相关推荐
凌晨两点半，盯着终端里滚动的日志，手里的冰美式早就凉透了。 DeepSeek 在 GitHub 上悄悄挂上 deepseek-v4-flash-vision-exp 的 tag 时 我甚至没来得及发推，先在群里甩了个截图：“兄弟们，它终于睁眼了。”，补救一下。
不是发布会， 是偷偷塞给你的钥匙
官方文档依陈旧是那种克制到让人发慌的风格：“测试性质、非 GA、模型标识设为 deepseek-v4-flash-vision-exp”。没有铺天盖地的海报， 没有“超越 GPT-4o”的较大字报，就连定价页都懒得单独拉一行出来——依然沿用 V4-Flash 的市场价格体系，输入缓存命中 0.014 元/百万 tokens，未命中 0.14 元，输出 2.8 元。这就很有意思了：视觉能力仿佛只是个“附赠”的副作用。
参数量没变， 依然是总参数 284B、激活参数 13B 的 MoE 架构；依陈旧 1M tokens；最较大输出甚至涨到了 384K。仅有的改变是更多了一双“眼睛”，而且这双眼睛还自带压缩算法——单张图片固定消耗约等于384 个视觉 token。换算一下：一张较高清截图进去，顶天也就是几百字上下文的开销。这意味哪些？意味着你能够在一次对话里塞进六百张图而不爆，来日方长。。
第一次实战：把报错堆栈扔给它看
触发点很真实实。前端控制台吐着红色的 TypeError: Cannot read properties of null ， 堆栈有四十更多行，夹杂着 webpack 混淆后的较短变量名。以前我会把堆栈复制出来贴进对话框， 再配上组件代码、路由配置、甚至 `package.json` 的依赖版本——token 费得心疼，关键是我也懒得整理，哈基米！。
这次我直接按了 `Cmd+Shift+4` 框选控制台区域， 拖进 API 调试面板：
{
"model": "deepseek-v4-flash-vision-exp",
"messages": }
]
}三秒钟。
返回的不是泛泛而谈：“第 17 行 `item.dataset.id` 报错是这是因为 `item` 是 null，提议在渲染前加 optional chaining 或提前 return”。它甚至指出了旁边被折叠的警告——一个废弃的 `ReactDOM.render` 调用有可能引起 hydration mismatch。 欧了！ 那一刻我明白：这不是 OCR 加 LLM 的拼凑感，而是真实正把像素映射到了代码语义空间范围里。
Agent 的眼睛，到底较长哪些样？
- Computer Use ： 模型需要自己判断“当前屏幕上哪个按钮可点、 输入框坐标在哪”，以前必须要一个 YOLO 或 Florence- 做目标检测 再喂坐标给 LLM ；当前一张截图直穿到底 ，端到端延迟减较低一个数量级 。
- Browser Agent ： 抓取动态渲染页面 、 处理验证码 、解析繁杂表格 、甚至根据设计稿直接写出 Tailwind + React 零样本代码 。
- 单图投入成本约等于 ¥ . 元 ： 六百张图才几毛钱 ，这市场价格直接把“视觉昂市场价格较高”这道门槛踩扁了 。
我当场石化。 但也别盲目乐观 。实测发觉它对 极较小字号 、 沉重阴影水印 、较高频摩尔纹印刷品识别正确率会断崖式下跌 。而且 —— 注意沉重点 —— 不支持音频 、不支持视频流 。想做视频明白？老老实实抽帧成 JPEG/PNG 序列按时间段轴顺序喂进去 ， Prompt 一定要写明采样率和时间段戳 ，否则模型会把第 帧当成第 帧胡说八道 。
凌晨两点半，盯着终端里滚动的日志，手里的冰美式早就凉透了。 DeepSeek 在 GitHub 上悄悄挂上 deepseek-v4-flash-vision-exp 的 tag 时 我甚至没来得及发推，先在群里甩了个截图：“兄弟们，它终于睁眼了。”，补救一下。
不是发布会， 是偷偷塞给你的钥匙
官方文档依陈旧是那种克制到让人发慌的风格：“测试性质、非 GA、模型标识设为 deepseek-v4-flash-vision-exp”。没有铺天盖地的海报， 没有“超越 GPT-4o”的较大字报，就连定价页都懒得单独拉一行出来——依然沿用 V4-Flash 的市场价格体系，输入缓存命中 0.014 元/百万 tokens，未命中 0.14 元，输出 2.8 元。这就很有意思了：视觉能力仿佛只是个“附赠”的副作用。
参数量没变， 依然是总参数 284B、激活参数 13B 的 MoE 架构；依陈旧 1M tokens；最较大输出甚至涨到了 384K。仅有的改变是更多了一双“眼睛”，而且这双眼睛还自带压缩算法——单张图片固定消耗约等于384 个视觉 token。换算一下：一张较高清截图进去，顶天也就是几百字上下文的开销。这意味哪些？意味着你能够在一次对话里塞进六百张图而不爆，来日方长。。
第一次实战：把报错堆栈扔给它看
触发点很真实实。前端控制台吐着红色的 TypeError: Cannot read properties of null ， 堆栈有四十更多行，夹杂着 webpack 混淆后的较短变量名。以前我会把堆栈复制出来贴进对话框， 再配上组件代码、路由配置、甚至 `package.json` 的依赖版本——token 费得心疼，关键是我也懒得整理，哈基米！。
这次我直接按了 `Cmd+Shift+4` 框选控制台区域， 拖进 API 调试面板：
{
"model": "deepseek-v4-flash-vision-exp",
"messages": }
]
}三秒钟。
返回的不是泛泛而谈：“第 17 行 `item.dataset.id` 报错是这是因为 `item` 是 null，提议在渲染前加 optional chaining 或提前 return”。它甚至指出了旁边被折叠的警告——一个废弃的 `ReactDOM.render` 调用有可能引起 hydration mismatch。 欧了！ 那一刻我明白：这不是 OCR 加 LLM 的拼凑感，而是真实正把像素映射到了代码语义空间范围里。
Agent 的眼睛，到底较长哪些样？
- Computer Use ： 模型需要自己判断“当前屏幕上哪个按钮可点、 输入框坐标在哪”，以前必须要一个 YOLO 或 Florence- 做目标检测 再喂坐标给 LLM ；当前一张截图直穿到底 ，端到端延迟减较低一个数量级 。
- Browser Agent ： 抓取动态渲染页面 、 处理验证码 、解析繁杂表格 、甚至根据设计稿直接写出 Tailwind + React 零样本代码 。
- 单图投入成本约等于 ¥ . 元 ： 六百张图才几毛钱 ，这市场价格直接把“视觉昂市场价格较高”这道门槛踩扁了 。
我当场石化。 但也别盲目乐观 。实测发觉它对 极较小字号 、 沉重阴影水印 、较高频摩尔纹印刷品识别正确率会断崖式下跌 。而且 —— 注意沉重点 —— 不支持音频 、不支持视频流 。想做视频明白？老老实实抽帧成 JPEG/PNG 序列按时间段轴顺序喂进去 ， Prompt 一定要写明采样率和时间段戳 ，否则模型会把第 帧当成第 帧胡说八道 。