# 大模型 DeepSeek 长出眼睛：截图不用再手敲了

- URL: https://davidyin.dev/writing/259-20260822-deepseek-vision-exp-sees/
- 作者: David Yin
- 发布: 2026-08-22
- 标签: AI、大模型、DeepSeek、多模态、视觉模型
- 摘要: DeepSeek 上线实验性视觉模型 V4-Flash-Vision-Exp：变的是「喂进去的东西」——以前把截图给 AI，要先人肉把图翻译成文字；现在这层翻译被省掉了。官方称多模态 Agent 能力接近 Opus-4.8，但跨榜分数（83.9 vs 36.5）说明它会看、能干活，和真懂图还是两码事。这篇讲清「看图」这件事对你的工作流意味着什么。

你把一张截图丢进 AI 的对话框，那大概是你最近最省心的一步。以前要喂给 AI 的图，一张扫描合同、一个报错界面、一页 PDF 表格，都得先变成它能一个字一个字读的东西，也就是一行行字。现在这张图扔过去，它就接住了。

接住它的代价，以前不低。能让模型看见的这一路，在不少厂商那儿往往更贵，跟你要的不在同一个价位。就在昨天，DeepSeek 把它也补上了，补得很干脆，按它自己的说法，这只刚睁开的眼睛，看图干活的本事已经接近现在最顶的那一档。

## 以前你多干的那些活，本来可以不干

跑分先放一边，先算一件每天都在发生的小事。

以前你让 AI 读一张表格，得先让它知道你说的是文字还是图。表格要是 PDF 里生成的还好，能选中复制；碰到扫描件或者手机拍的，那堆字是图，选不中，只能手敲。就像你报销时拍的那张打车票，票面一溜小字，日期、金额、起终点挤在一块，以前得自己把一列数字敲成文本再贴给 AI；现在一整张照片丢进去，它自己把字段读出来，你扫一眼对不对就行。一张表二十行，先手敲一遍再交给它，这一截你自己干的是纯重复，还容易敲错。敲错一格，后面全跟着错，你还得回头对着原图再核一遍。

DeepSeek 昨天放出的这个模型，就是冲省掉你这一截来的。它名字里的 vision 就是视觉，专管看图。它跟已经正式上线的 Flash 版比，写字的功夫持平，多的就是这一双眼睛。多出来的这双眼睛，恰好落在你最容易烦的那段活上。

能把你手敲那一截省掉的，才是真值钱。

## 平价档的国产模型，把「看见」也补上了

那它凭什么说能打？先把它的话原封不动摆出来。按官方说法，这只带上视觉的模型，在多模态 Agent 的活儿上已经接近 Opus-4.8（Anthropic 那家的旗舰模型）。多模态 Agent，就是又能看图、又能替你动手把活干成的那类智能体。这句话得扭着听：它自己说的接近，跟真追平了之间还隔着一截，官方没把这截抹掉。

它拿什么撑这话？官方在一个叫 Terminal Bench 的榜上给了个分数，83.9。这个榜专考让模型像干活的工程师一样，对着终端把事办成，不是背答案能糊弄过去的。83.9 什么概念？等于一张专门考动手干活的卷子，它答对了八成多，已经能排队进真干活的那群人里。

以前让模型看见，在不少厂商那儿往往更贵；现在平价档的国产模型把它补上了。这一截，才是这则消息最容易被忽略的那一层。

## 一个「实验版」，凭什么跟最顶那档比

可它到底是不是真追上了，还是只在特定那几道题上讨巧？这得说说它没摆在最前面的那部分。

它挑着讲。好的这一路，是让模型对着终端或界面、把活干成，像 Terminal Bench 那个 83.9。这类任务很垂直，栽进去的是专门训练过的赛道。换一类让它看着图去干活的题——多模态 Agent 那类基准，像 ApexBench——分数就又掉下来了，36.5；还有几道考视觉的题，都在三五十分以下。它会看、能干活，但从这些分数看，还看不出它真懂图；懂图，和在这一类图上把活干成，是两码事。

有一处我想让你留个心眼。它把最漂亮那一项的分数顶在最前头，就是那个 83.9；至于考视觉的那几道题，分数就没那么好看了。这不算作弊，任何一家发实验版模型都这么干，先把能打的亮出来。你拿到手的东西，是不是最该看的那一面，得你自己翻。

## 大多数人还没反应过来，变的是「喂进去的东西」

讲到这，别再把它当成又一次跑分竞赛。它动的这一端，很难被注意到。

以前你喂给模型的，是被你翻译过一遍的东西。把表、把界面、把纸页，翻成它一个字一个字能读的文本。现在这一层翻译省了。你得把图讲给它听那种日子，正在过去。

对大多数正在拿 AI 干活的人来说，这一截才是让工作流变轻的地方。你不用再雇那个「会替你把截图描述成文字」的人，也不用自己中途停下来干那截纯体力活。这一层，比它分数涨了多少更值得你多看两眼。

## 从「帮你写」到「帮你看见」

我看到这则消息的第一反应，挺意外的是它居然能省掉这一截。它还拖着实验版三个字，分数也有一半是挑着报的。但当把图丢给 AI 变得跟把字丢给 AI 一样顺手那天，你会发现那个替你把表格敲成字的人，不管那是你自己还是一个岗位，已经被悄悄省掉了。

再往前说一步，这轮升级让 AI 从帮你写，走到帮你看见。你上一次对着截图手敲了半天字，是给哪张表？那件事现在也许一秒钟就过去了。

## 本文事实来源

- DeepSeek 官方网站：《API 更新日志》（deepseek-v4-flash-vision-exp，2026-08-21 发布；官方口径「纯文本能力与 V4-Flash 正式版持平」「多模态 Agent 能力已接近 Opus-4.8」；Terminal Bench 2.1: 83.9）

【引用出处】

- DeepSeek 官方《API 更新日志》— https://api-docs.deepseek.com/zh-cn/updates （对应文中：发布日期 2026-08-21、模型名与实验性质、「纯文本与 V4-Flash 正式版持平」、「多模态 Agent 能力已接近 Opus-4.8」原话、Terminal Bench 2.1: 83.9 与 ApexBench 等基准分值）