在人工智能领域，多模态技术一直是各大企业竞相布局的关键方向。DeepSeek创始人梁文锋曾在投资人交流会上表示，多模态布局对产品尤其是面向C端用户的产品至关重要，不过从智能发展的上限来看，它只是组件而非主线，后续V4版本会支持原生多模态。如今，这一承诺已落地，2026年8月21日，DeepSeek上线了多模态视觉理解模型DeepSeek V4 Flash Vision Exp。
与V4 Flash以及V4 Pro不同，DeepSeek V4 Flash Vision Exp既没有发布技术报告，也未开源，官方仅公布了性能表和几个演示案例。从表面看，它似乎与梁文锋口中作为“组件”的DeepSeek OCR等模型不同，更像是“主线”模型，这不禁让人猜测梁文锋对多模态的看法是否改变。不过，从其一系列动作来看，他或许只是学会了以更贴近用户的方式交流产品。
此前，梁文锋认为通往AGI需经过产品阶段，但无需在C端、B端投入过多精力。然而，随着DSH的爆火，发布不到一周DS就更新提升了多模态能力。而且，过去梁文锋对产品要求近乎“偏执”，不完美不发布，DeepSeek V3.2版本和V4预览版间隔长达4个半月，从V3正式发布算起，一个大版本耗时1年零4个月。如今不仅更新加快，还将DeepSeek V4 Flash Vision Exp这种实验性质模型开放给公众，可见其态度有所转变。
DeepSeek V4 Flash Vision Exp的发布有着特殊意图。官方公布的测评中，展示的多是Agent基准，如Terminal Bench 2.1得83.9，DeepSWE 59.3。在AI视觉模型圈，新视觉模型发布通常会展示MMMU、MathVista、DocVQA、ChartQA、OCRBench等基准，其他知名模型发布新版本时展示的也是这套基准。即便DeepSeek V4 Flash Vision Exp展示了一些多模态基准，也充满“Agent味”，如Chartography、ApexBench、Agents’ Last Exam等，没有一项是“看图答题”，全是“看完图把事做下去”。这暗示着DeepSeek始终认为多模态是Agent和推理的入口，是为主线服务的插件，该模型强化了产品的推理能力。
DeepSeek V4 Flash Vision Exp并非凭空出现。4月29日晚，DeepSeek多模态负责人陈小康在X平台发文预告多模态识图功能开启灰度测试，第二天在GitHub发布技术报告《Thinking with Visual Primitives》及配套仓库，论文作者单位包含DeepSeek、北京大学、清华大学。但5月1日凌晨论文被删除，相关推文消失，仓库变为404状态，DeepSeek未发布撤稿公告和解释原因，好在社区留下了拷贝版本。该论文提出，模型能看见不一定能想清楚，传统多模态模型在复杂场景中描述模糊易导致逻辑混乱。DeepSeek的解法是将点坐标和边界框提升为“思维的最小单元”嵌进推理链，让模型“边推理边指向”。6月官方确认，客户端和网页端上线的Vision模式底层就是这套视觉原语机制，而DeepSeek V4 Flash Vision Exp是将该技术嫁接到了V4 - Flash的API基座上，强化了多模态Agent能力。
除了DeepSeek V4 Flash Vision Exp，DeepSeek在多模态方面还有进展体现在DSH上。8月19日晚，DSH更新rc.8版本，提升了Agent的多模态能力。rc.8采用“两条腿”走路策略，一条是“原生直通”，给模型适配器加可配置的原生图片请求能力，只要底层模型支持视觉输入，Harness就把图片原封不动送进模型；另一条是“工具层视觉”，服务纯文本模型，当纯文本模型直接读图失败时，Harness自动降级成工具链，先做OCR识别文字等，把信息拆成结构化证据交给文本模型推理整张图。不过，这种方式对付结构清晰的图够用，面对真实照片和复杂空间关系就很勉强。在rc.8之前，DSH甚至没有“伪视觉”，全靠社区视觉插件和通过pi2dsh桥接进来的视觉方案。
梁文锋虽未改变对多模态的看法，但在产品发布节奏上有所变化。2025年，DeepSeek R1惊艳全球后，社区期待V4发布，然而从2025年下半年到2026年春节前，V4发布时间不断推迟，直到4月24日才以预览版形式登场。梁文锋坚持宁可跳票也不发布不完美的产品，但在此期间，国际上OpenAI在2025年8月发布GPT - 5，11月Anthropic发布Opus 4.5；国内阿里、Kimi、智谱等企业也纷纷发布多模态模型，DeepSeek似乎“掉队”了。而DeepSeek V4 Flash Vision Exp上线当晚，社区检测发现其存在一些问题，如无法识别梁文锋代表性照片、理解复杂图表漏关键信息、中文场景处理偏弱、上下文缓存机制受牵连等，社区普遍认为效果一般。这或许是因为梁文锋受到优秀产品压力，OpenAI在8月20日开源Codex Harness，将多模态放在Agent运行时的核心位置，减少信息损耗并实现视觉理解和行动闭环相连，而这是DSH所欠缺的，所以DeepSeek迅速开源DeepSeek V4 Flash Vision Exp。
DSH还存在明显短板，即与普通用户距离较远，安装使用较为复杂。不过，由于DSH开源，社区开始补足这“最后一公里”。例如，06年大二学生Benson Wang开发的DSH Desktop项目，实现“一键安装”，将复杂安装环境的DSH变成exe桌面工具，短短几天在GitHub获得1.8万颗星星。Benson Wang还计划开发手机版anywhere DSH，通过iOS和Android连接桌面端，让用户在手机上发起任务、查看Agent进度。DSH官方团队关注了DSH - better - sidebar等社区项目，未来或许会“收编”优秀项目和开发者，丰富DSH功能，甚至上线官方插件市场。
