DeepSeek 视觉接近 Opus 4.8，生产还差一条链

DeepSeek 今天给 V4-Flash 装上了一双眼睛。

名字挺长，DeepSeek-V4-Flash-Vision-Exp。官方在更新日志里写得很直接，纯文本能力和 V4-Flash 正式版持平，遇到需要视觉理解的 Agent 任务则大幅提升，多模态 Agent 能力已经接近 Opus 4.8。

好家伙，「接近 Opus 4.8」这几个字放出来，传播素材算是齐了。

不过我更在意后半段。DeepSeek 没把它叫成一个更会看图的聊天模型，而是在强调视觉 Agent。前者是你扔一张图，它告诉你图里有什么。后者是它看着截图、图表、报错弹窗和网页状态，继续决定下一步该点哪里、该调哪个工具、什么时候该停。

这不是多加一种输入格式那么简单。它把 Agent 原来缺掉的一段反馈回路补上了。

我还没拿这个实验模型跑真实任务，所以这篇不装实测。只看官方已经公开的跑分、接口和限制，我有一个可能有点扫兴的判断，DeepSeek 这次补上的确实是一块关键拼图，但「模型看得见」离「任务交得出去」仍然隔着一整条工程链。

先把最容易误会的能力边界说清楚。它支持的是视觉理解，包括识别图片内容、读取截图文字、分析图表、同时处理多张图片，再把观察结果交给工具链继续行动。它不是生图模型，官方没有提供文生图或图片编辑能力；它也不接收或生成语音，更不生成视频。文档虽然允许上传 GIF，但这只是受支持的图片文件格式，不能据此把它写成视频理解或视频生成模型。名字里的「多模态」，目前准确地说就是文本加图像输入，文本输出。

跑分涨了，真正的变化不在数字最大那一格

先看官方给的数字。

和 7 月 31 日的 V4-Flash 正式版相比，Vision 实验版在几项重合的 Agent 评测上都在涨。Terminal Bench 2.1 从 82.7 到 83.9，NL2Repo 从 54.2 到 57.7，DeepSWE 从 54.4 到 59.3，DSBench-Hard 从 59.6 到 63.6，AutomationBench 从 25.1 到 25.7，Agents’ Last Exam 从 25.2 到 27.3。

六项重合评测都在上涨，但增幅并不均匀，数据来自 DeepSeek 官方更新日志。

最显眼的单项增幅是 DeepSWE 的 4.9 分，可它并没有把纯文本模型直接甩出一条街。这个结果反而挺合理。官方自己也说了，两者在 Agent、推理和世界知识这些纯文本能力上持平。

视觉版本真正多出来的价值，不是把原来的脑子再磨亮一点，而是让原来被丢掉的环境状态进入上下文。

想想一个网页操作 Agent。没有视觉时，它很依赖 DOM、可访问性树、接口返回值这些结构化信息。页面上的按钮如果藏在画布里，图表只剩一张像素图，弹窗覆盖了原来的元素，或者远程桌面压根不给你干净的节点树，Agent 就像隔着门听屋里的动静。它也许知道下一步理论上该做什么，却不知道此刻屏幕到底变成了什么样。

有了视觉，截图可以成为一次工具调用后的观察结果。模型点击，页面变化，再看一眼，再决定下一步。这才是 Agent 回路里那个朴素又难缠的 observe。

厉害的地方在这里。

但麻烦也从这里开始。

一张截图，不是一份可靠状态

很多演示会让人产生一种错觉，只要模型能读图，浏览器和桌面操作就自然能用了。真到生产环境里，截图其实是最不稳定的状态载体之一。

同一个按钮可能因为窗口尺寸换了位置，因为深色模式换了颜色，因为动画还没结束只露出一半。页面滚动两百像素，坐标就失效。网络慢半秒，模型看到的还是骨架屏。更别提验证码、浮层、权限弹窗、远程桌面的压缩噪点。

全局图负责找方向，局部图负责读细节，动作还要经过安全闸。

于是第一个工程问题不是「看懂了吗」，而是「你看到的这一帧，能不能代表当前状态」。

一个能落地的视觉 Agent，至少要给每次观察绑定时间戳、页面标识、窗口尺寸和动作序号。动作执行后不能只等一个固定的 sleep(2)，而要等 DOM 稳定、网络空闲、目标区域不再变化，或者由视觉模型确认页面已经进入预期状态。否则 Agent 很可能拿旧截图做新决定，接着非常自信地点向空气。

这种 bug 最烦。日志里每一步都像有道理，合在一起就是没做成。

DeepSeek 的图像理解文档给了 OpenAI Chat Completions、Responses API 和 Anthropic 兼容端点三种接法，也允许图片出现在 function_call_output 或 custom_tool_call_output 里。这个设计对 Agent 很关键，浏览器工具可以把截图作为执行结果原样送回模型，不用再绕一层描述文本。

可接口兼容只解决了「怎么送进去」。谁来截屏、截哪块、什么时候截、上一张图要不要保留、模型看错后怎么恢复，这些仍然归调用方。

棒棒的，最难的部分又回到了工程师手里。

384 个 token 的上限，省钱也会藏细节

这次文档里有个很实用的数字，每张图片进入模型前会被自动缩放，图片 token 消耗上限是 384。小图会按比例放大，大图会缩到大约 800×800 像素对应的规模。2000×2000 和 5000×5000 的图片，缩放后的 token 消耗可以一样。

对账单是好消息。对视觉 Agent 却得多想一步。

一个 4K 桌面截图里，按钮文字、表格小数、终端报错和浏览器地址栏全挤在同一张图上。压到这个尺度后，模型可能看懂页面布局，却读不清一行关键错误。你把 detail 设成 original，并不等于原始像素会一粒不少地进入推理，官方的缩放规则仍然存在。

所以别把整块屏幕无脑塞给模型。更稳的做法是先用便宜的全局截图判断区域，再按目标控件、图表或错误窗口裁剪局部图。全局图负责导航，局部图负责读细节。遇到重复使用的图片，可以走Files API，避免每轮都把 base64 塞进请求体。具体图片成本则应接进用量计算和调用日志，跟文本 token 一起看。

这套方法听着不酷，甚至有点像在给模型配老式双筒望远镜。先找方向，再调焦。

但生产系统靠的往往就是这种不酷的约束。

还有一个容易漏掉的成本，视觉观察会让上下文增长得很快。一次任务如果截了几十张图，哪怕单图有上限，图像 token、动作历史、工具返回值和模型推理仍会一起累积。保留所有历史截图很安心，直到延迟和费用开始提醒你，安心也有单价。

调用层需要把旧截图压成结构化状态，只保留最近一两帧原图。哪些字段已经确认，哪些区域仍不确定，哪些动作已经失败，可以写进一个小型状态对象。模型需要的是可继续决策的信息，不是任务从出生到现在的家庭录像。

能看见之后，权限边界更重要了

视觉模型让 Agent 能处理以前读不到的界面，也让它更容易碰到以前看不到的敏感信息。

截图里可能有邮箱、客户名称、内部报表、访问令牌，甚至一个刚弹出来的验证码。浏览器工具把整张屏幕回传时，这些内容会一起进入模型上下文。模型再调用工具时，风险就从「看见」走到了「行动」。

这块不能靠一句系统提示词兜底。

截图采集前要做窗口白名单和区域遮罩，工具侧要限制可访问域名，涉及转账、购买、验证码、隐私授权和公司资料外发的动作要卡人工确认。每次工具调用还得带上截图 ID 和决策理由，审计时才能还原模型到底看到了什么。

DeepSeek 已经支持工具调用、Responses API以及图像工具输出，这让接口拼装轻松不少。真正的安全边界却不在模型返回的那段 JSON 里，而在执行器是否拒绝越权动作。

我一直觉得，视觉 Agent 最危险的幻觉不是把猫认成狗，而是把「按钮好像在这里」变成了一次真实点击。识别错了，最多答案难看。动作错了，可能已经发出邮件、删掉文件，或者把内部截图传到了不该去的地方。

所以视觉 Agent 的评测不能只问结果有没有完成。还要看它点错了几次，是否在不确定时停下，能否从错误页面恢复，敏感动作有没有触发审批，以及失败后留下的状态能不能接着跑。

这也解释了为什么我不愿把「接近 Opus 4.8」直接换算成生产结论。官方跑分很有价值，它证明能力边界往前推了。但厂商自己的同一套测试条件、max 思考档位和极简 Harness，不能替你回答真实网站延迟、权限策略、截图噪声与成本预算。

真要接入，先跑一条窄任务

如果你已经在用 DeepSeek API，这个实验模型很适合做一次小范围影子测试，别急着把原来的 Agent 全部替换掉。

挑一条有明确起点和终点的视觉任务。可以是从固定格式的监控截图里读取异常区域，再打开对应日志页面；也可以是检查后台表格某一列是否出现红色告警，但不要一上来就让它自由操作整个桌面。

给这条任务留三份记录。第一份是原始截图和裁剪图，第二份是模型观察到的结构化状态，第三份是工具动作与结果。然后盯四类数字，任务成功率、平均动作数、错误点击数、人工接管率。费用和延迟单独记，不要混成一个漂亮的总分。

再做两个故障版本。故意让页面加载慢一点，看看模型会不会对骨架屏动手。故意加一个无关弹窗，看看它能不能识别遮挡并恢复。视觉 Agent 的价值不只在顺风局能走多快，更在环境变脏以后会不会安静停船。

如果你需要频繁复用图片，改走 file ID。如果只关心大致布局，用 detail=low。如果要读小字，先裁剪再传。模型不确定时，把下一步工具权限降成只读。连续两次观察没有状态变化，就让看门狗终止任务，而不是继续点击同一个位置。

这些规则没有一条会出现在发布海报正中央。可它们决定了模型是一个好看的演示，还是一个凌晨告警后还能让人放心的系统。

DeepSeek-V4-Flash-Vision-Exp 目前还是实验版本，价格页也需要在接入时重新确认。实验模型最适合拿来测边界，不适合被一个漂亮分数直接送进核心流程。

坦率讲，我对这次更新是兴奋的。低价、兼容现有接口、视觉输入和 Agent 能力放在一起，确实会让更多团队有机会把屏幕反馈接进自动化系统。那扇门已经开了。

只是门后面不是终点，是状态管理、图像预算、权限控制、评测和失败恢复组成的一段长廊。

模型终于看见了。

接下来，得让它学会在看不清的时候别乱动。