8月21号，DeepSeek API平台突然多了一个新模型名字，长达三十个字符。没有发布会，没有预告，就这么静悄悄地上线了。
DeepSeek-V4-Flash-Vision-Exp。这是DeepSeek V4系列第一个能看懂图片的视觉模型，而且价格跟纯文本版V4-Flash一模一样，一分钱没涨。消息一出，技术圈炸了。有人欢呼我们回来了，有人开始担心这是不是要涨价的前奏，还有人翻出数据发现，这个长眼睛的新模型在某些测试里居然退步了。
这到底是一场技术革命，还是打了折的惊喜？让我们把语言切成小块，看看代码背后到底发生了什么。
眼睛白送，还打折？
AI圈有个默认的潜规则加功能就得加钱。多模态模型比纯文本模型贵，这是行业常识。GPT-4V的定价就是比GPT-4贵一截，Claude 3的视觉版本也单独计费。所以当DeepSeek宣布新模型价格直接对齐V4-Flash的时候，整个开发者社区的第一个反应不是兴奋，是怀疑。
我来翻译一下这意味着什么：你以前调用V4-Flash处理一万字文本花多少钱，现在往里面塞十张截图，还是花那么多钱。图片输入会按尺寸折算成Token，和文本Token一起计费，单张图片最多占384个Token。384个Token是什么概念？大概相当于一段朋友圈小作文的长度。一张高分辨率截图，被压缩成这么短的编码，然后塞进模型的大脑里。
图片不单独按张收费，而是按Token计价。这意味着同样的图片，高峰期和空闲期价格差一倍。缓存命中的话，百万Token输入只要0.05元，几乎等于白送。主打一个量大管饱还便宜。
但是等等！便宜就一定好吗？
加了眼睛，脑子没丢？
官方公告里有一个关键承诺，新模型在纯文本能力上跟V4-Flash正式版持平。翻译成人话就是：长眼睛没让它变傻。Agent能力、推理能力、世界知识，这些核心技能都保住了。这是很多开发者最担心的事，加个视觉模块进去，别把原来的智商拉低了。
然后看第二句：在需要视觉理解的Agent Benchmark上，V4-Flash-Vision-Exp相比V4-Flash实现了大幅跃升，多模态Agent能力已接近Opus-4.8。
这就怪了！前面说纯文本能力持平，后面说视觉Agent能力大幅跃升。那么到底跃升了多少？翻开源代码和测评数据，答案让人倒吸一口凉气。有的测试涨了，有的测试跌了。
DeepSWE测试，新模型得分59.3，旧版本54.4，涨了接近5分。Toolathlon-Verified测试，新模型75.9，旧版本70.3，大涨5.6分。ApexBench测试，新模型36.5，旧版本26.2，暴涨10分以上。
但转到Cybergym测试，新模型75.3，旧版本反而有76.7。视觉能力加进来，在这个测试里倒退了1.4分。Reddit评论区直接有人问：为什么Cybergym变差了？这个问题目前没人能回答。
这就好比你给一辆车加装了全景摄像头，倒车入库变得更容易了，但0到100公里加速反而慢了半秒。你说是升级了还是没升级？事情没那么简单！
多模态Agent，到底解决什么问题？
一个模型光看Benchmark数字没用，得看它到底能干什么是别人干不了的。这次DeepSeek视觉模型最大的看点，不在看得懂图片，在让Agent能看见。
以前AI Agent干活儿，全靠文本输入。你让Agent操作电脑，它只能读代码、读日志、读API返回的JSON字符串。它看不到屏幕截图，看不懂UI布局，识别不了流程图里的箭头方向。这就像让一个盲人修电脑，你给他念说明书，他能修，但效率低到尘埃里。
而多模态Agent能直接看截图！屏幕是什么样，UI按钮在什么位置，错误弹窗里那个红色的叉号长什么样，图表里那条折线是往上还是往下——所有这些视觉信息，一次性灌进模型脑子里。一个能看懂你屏幕的AI，和一个只能读文字的AI，做同样一件事的效率差距可能是十倍。
有开发者评论说，真正的计算机使用场景充满了视觉上下文，截图、UI布局、图表、图表、错误信息、文档。一个能看见Agent在跟什么交互的模型，砍掉了巨大的瓶颈。这就是为什么DeepSeek要押注这个方向。多模态Agent的能力接近Opus-4.8，这句话的分量在于——它意味着DeepSeek在多模态Agent赛道上，已经摸到了顶级闭源模型的脚后跟。
免费的不是午餐，是鱼钩？
但注意了！这次上线的模型名字里带了一个Exp，Experimental，实验性质。这意味着什么？意味着DeepSeek自己都没把话讲满。这个版本可能不稳定，可能某些场景翻车，可能在特定图片格式上识别率翻车。有开发者实际测试后反馈，识别几张图的准确率有点低，不确定是不是自己的问题。也有开发者发现，发了图片之后后续聊天记录缓存命中率变成了零，后来澄清是错误信息。
实验版免费送眼睛，听着像天上掉馅饼。但如果你是一个正经做产品的开发者，你敢不敢在生产环境里直接上Exp模型？这也是评论区那个神回复的精髓：直到他们把价格翻四倍。免费的最贵，这个道理在AI圈同样成立。先让你用顺手，依赖上了，再慢慢涨价。这是商业策略，不是做慈善。
文本压缩成图片：薅羊毛新姿势？
评论区有一个脑洞大开的想法：视觉文本压缩是否好用？如果好用，管理上下文可以变得更便宜。这个逻辑很有意思。按照DeepSeek的计费规则，一张图片最多折算384个Token。如果我有一篇一万字的技术文档，把它截图成一张高分辨率图片，喂给模型，模型只按384个Token收费。而直接喂纯文本，一万字大概值一万多个Token。这个差价是几十倍。
问题是：模型能准确识别截图里的文字吗？OCR精度够吗？格式会不会乱？数学公式能不能看懂？代码缩进会不会丢失？如果这些问题都解决了，那开发者们会立刻找到一个新的薅羊毛姿势，把所有长文本都转成图片再喂给模型。但DeepSeek显然不会留这么大一个漏洞给你钻，图片Token折算规则一定考虑了文本密度。这场猫鼠游戏才刚刚开始。
新模型踩了谁的脚？
DeepSeek这次动作，踩的不是OpenAI，不是Anthropic，踩的是那些靠视觉API溢价吃饭的中间商。多模态Agent能力接近Opus-4.8，价格只有V4-Flash的水平。V4-Flash的价格本来就比主流闭源模型便宜一个量级。现在同样价格，加送一双眼睛。这对开发者来说是福音，对竞品来说是噩梦。
评论区里有人调侃：如果他们想要三连胜，只需要发布一个35b A3B的模型，就能搞垮美国经济。玩笑归玩笑，背后折射出的情绪是：DeepSeek正在用暴力性价比策略，重新定义AI模型的价格锚点。你卖一块钱的服务，我卖一毛钱，功能还比你多。你收视觉附加费，我直接打包送。这种打法，让靠差异化定价生存的对手非常难受。
看不见的地方，藏着真正的底牌
别光盯着视觉能力！这次上线的另一个隐藏更新是Files API正式开放。开发者可以先把图片上传到DeepSeek平台，然后在请求里通过file_id引用，同一张图片在多个请求里不用重复上传。这个API不收费。这意味着什么？意味着DeepSeek在构建自己的生态基础设施，让开发者更便宜、更方便地调用它的能力。Files API是水管，视觉模型是水龙头里的水。水管铺好了，后面换什么水龙头都方便。这才是真正值得关注的战略动作。
同一个名字，不同的灵魂？
最后回到评论区那个最细致的观察：Same model + vision layers? Because the name is still the same. Wow. 这个WOW背后有一层潜台词，如果DeepSeek只是把V4-Flash加了一层视觉模块，没有重新训练整个模型，那意味着它用了一个极其高效的模块化设计。视觉能力是插拔式的，插上去就有，拔下来也不影响文本能力。这种架构设计的工程含量，可能比模型本身的能力提升更值得称道。
但也有另一种可能，名字没变，内核已经换了一套。只是DeepSeek懒得取新名字，或者故意用旧名字来降低用户的心理门槛。不管哪种情况，一个加了眼睛、没涨智商、还没涨价的模型，都值得花一两天时间泡在API文档里亲手测一测。
但至少有一件事是确定的：ApexBench测试里，新模型拿下了36.5分，旧版本只有26.2。暴涨的这10.3分到底是真本事，还是针对测试集做了特殊优化？Cybergym测试里那1.4分的倒退，到底是数据噪声，还是视觉模块影响了Agent的某些决策路径？官方没有解释，评论区在追问，但没人能给出答案。