DeepSeek 有个老毛病：文本推理强得吓人，但”看不见”。V4 全系都是纯文本模型，想让它看图，得在中间再挂一个视觉模型，一次任务付两份账单。
8 月 21 日，这个短板被补上了。DeepSeek 无预警上线了 V4 系列首款视觉模型 deepseek-v4-flash-vision-exp（实验版）：纯文本能力一分没掉，多模态 Agent 能力直接逼近 Claude Opus 4.8，价格却还是 V4-Flash 的原价——图片按 token 计费，单张最多 384 token，1 分钱能看大约 9 张图。
这双”便宜的眼睛”到底值不值得接？我把它拆成三件事讲：能力、价格、场景。
一、DeepSeek 终于”睁眼”了：文本不掉分是最大的良心
先看它是什么。V4-Flash-Vision-Exp 本质是给 V4-Flash 纯文本模型加上了原生图像理解能力，名字里的 Exp 是实验版，先上线听反馈。
最难得的一点是：加了眼睛，文本没变差。官方口径是纯文本能力（Agent、推理、世界知识）与 V4-Flash 正式版持平，实测数据也印证了这点：Terminal Bench 2.1 拿 83.9、DeepSWE 59.3、NL2Repo 57.7、Toolathlon-Verified 75.9，七项 Agent 评测里六项还反超了前身 V4-Flash-0731。也就是说，DeepSeek 没有拿文本质量去换视觉能力，这跟很多”加模态掉智商”的模型不一样。
接口上它对开发者极其友好：Chat Completions、Anthropic Messages、OpenAI Responses 三种协议全兼容，从别的模型迁过来基本是改一行 base_url 的事。1M 上下文、384K 最大输出，规格跟 V4-Flash 完全对齐。想先看 DeepSeek 这条线怎么走过来的，可以翻翻之前写的 DeepSeek V4 Pro 正式版 和 DeepSeek 开源 Harness 框架 两篇。
二、”逼近 Opus 4.8″是怎么个逼近法
“逼近 Opus 4.8″是官方话术，得拆开看才有意义。多模态基准考的不是简单看图说话，而是把读截图、读图表、读示意图嵌进一长串工具调用里——考的是”带着眼睛干活”。
在四项多模态 Agent 基准上，Vision-Exp 跟 Opus 4.8 打成 2 比 2：Agents’ Last Exam 和 ZeroBench（Pass@5）两项反超，ApexBench（Pass@1）36.5 和 Chartography 64.3 落后几个点。Terminal Bench 2.1 拿到 83.9，距 Opus 4.8 的 85.0 只差 1.1 分。CyberGym 这类任务 Opus 4.8 依然领先。
需要说明，”逼近”是分项对比，不是整体超越。但评测方法值得点赞：所有公开基准都在自家 DeepSeek Harness 的 minimal 模式下跑，max effort、top_p 0.95、温度 1.0，参数全公开，谁都能复现。第三方机构 flowtivity 的结论很直接：在十分之一的价格上打出 2 比 2，这不是营销，是工程。这也延续了 DeepSeek 在 Agent 框架上的布局，之前写过的 DeepSeek Harness 开源 就是这套”模型 + 框架”打法的一部分。
三、价格账本：1 分钱看 9 张图，视觉费直接变赠品
这次最狠的就是价格。Vision-Exp 与 V4-Flash 完全同价：输入每百万 token 3 元（高峰）、1.5 元（谷时），输出 9 元（高峰）、4.5 元（谷时）。而 Opus 级的前沿模型，输入普遍在 5 到 15 美元一档，差距不是一点半点。
图片的计费方式更讲究：一张图最多折算 384 个 token，跟着文字一起按输入 token 计费，没有单独的视觉附加费。按高峰价算，一张图大约 0.12 分钱，1 分钱理论上能看 9 张图；同样情况下，某主流图像模型看一张要 2 分多，贵了将近 20 倍。新智元算过一笔账：1000 张图，成本大约 1 块钱。
还有两个数字值得记住：一是缓存命中时图片 token 吃到缓存后成本趋近于零，长会话里反复引用同一批截图会非常划算；二是并发限制给到 2500，是 V4-Pro 的 5 倍，批量跑截图任务的门槛也一并降了下来。唯一的提醒是峰谷价：北京时间上午 9-12 点和下午 2-6 点算高峰，把重活排到夜里能省一半。
四、能拿来干什么：三类真实场景
便宜的眼睛意味着什么？视觉 Agent 从”演示”变成”日用品”。三类场景最典型：
第一，截图复刻 UI。 媒体实测丢给它一张 OpenAI 官网截图，要求 1:1 复刻成单文件 HTML——布局、色值、间距、交互全还原。它先把图拆成结构描述，再逐行翻译成代码，交出来的页面几乎一模一样。做前端稿、抄竞品落地页，这条路直接通了。
第二，图表与长文档分析。 批量截图分析、数据图表理解、长文档检查，这些”盯着看”的活以前要专门接视觉模型，现在一个 model 字段切过去就行。
第三，GUI Agent 屏幕操作。 这是最值钱的方向：Agent 需要持续观察界面才能像人一样操作电脑，截图式工作流烧的就是输入 token——每张截图的单价，直接决定这类 Agent 是奢侈品还是日用品。Vision-Exp 把这张门票价格打了下来。想系统了解 Agent 怎么落地，可以参考老达AI实践专题和AI智能体与自动化专题里的系列文章。
五、怎么上手：一行代码的事
上手成本极低。API 三协议兼容，迁移就是改模型名的事；同一天 DeepSeek 还上线了免费的 Files API，上传图片拿 file_id 引用即可，不用自己拼 Base64；DeepSeek Harness v0.1.1 也同步原生支持了这个模型，还顺手修了一个沙箱逃逸漏洞。手机端识图模式也同步开了，普通用户可以直接体验。
要说保留项，就是这次没开放权重下载，Exp 实验版只走托管 API，想在自己机器上跑还得等。对开发者来说，过去”文本 Agent + 视觉理解”是两个模型、两份账单、两套错误处理，中间还要自己写路由；现在一个字段切过去，视觉按文本价算，这账怎么算都划算。
六、老达点评：便宜的眼睛，会改变什么
我的看法是，Vision-Exp 最大的意义不是”接近 Opus 4.8″，而是把视觉能力的价格打到了按张计费几乎可以忽略的程度。
DeepSeek 的打法已经很清晰：先把文本 Agent 做到旗舰水位，再用十分之一的价格把视觉能力”附赠”进去。当眼睛便宜到这个地步，”看屏幕干活”的 Agent 就从发布会 Demo 变成了能每天开着的工具——这跟上一轮 Codex Harness 开源暴露的逻辑是一样的：2026 年的竞争重心，已经从”模型多聪明”移到了”Agent 能不能跑得起、跑得稳”。
下一步值得盯的，是这双眼睛什么时候从 Exp 转正，以及开源权重那扇门什么时候开。在那之前，想试的开发者直接用起来——一分钱看 9 张图，这个账不用算。
