8月21日，DeepSeek 悄然上线了多模态视觉理解模型 DeepSeek V4 Flash Vision Exp。与 V4 Flash 和 V4 Pro 不同，这款模型没有附带技术报告，也未开源，官方仅提供了一张性能表和几个演示案例。这一举动与其创始人梁文锋此前“多模态不是主线”的表态形成鲜明对比，引发业界关注。

梁文锋曾在一次投资人交流会上明确表示，多模态对产品很重要，但对智能上限而言只是一个组件，并非主线本身。他当时承诺，V4 的后续版本将支持原生多模态。如今，V4 Flash Vision Exp 的发布，似乎正是这一承诺的兑现，但模型本身却更像一个“主线”产品，而非简单的组件。

V4 Flash Vision Exp 的定位：从官方公布的基准测试来看，该模型并未采用传统视觉模型常用的 MMMU、MathVista 等“看图答题”测试，而是聚焦于 Agent 基准，如 Terminal Bench 2.1 得分 83.9、DeepSWE 得分 59.3。这表明 DeepSeek 意在强化模型在 Agent 和推理任务上的能力，而非单纯提升视觉理解。梁文锋始终认为多模态是手段而非目的，V4 Flash Vision Exp 正是这一理念的产物——它服务于 Agent 和推理主线，让模型能够看懂网页截图、图表数据、UI 布局，并据此执行任务。

技术渊源：该模型并非凭空出现。4月29日，DeepSeek 多模态负责人陈小康在 X 平台预告了多模态识图功能的灰度测试。次日，DeepSeek 在 GitHub 发布技术报告《Thinking with Visual Primitives》，提出将点坐标和边界框作为“思维的最小单元”嵌入推理链，让模型“边推理边指向”，从而在计数、空间推理等任务上实现更精确的锚定。该论文在5月1日被删除，但社区保留了拷贝。6月，DeepSeek 在客户端和网页端上线的 Vision 模式即基于此技术。V4 Flash Vision Exp 则将同一技术嫁接到 V4-Flash 的 API 基座上，强化多模态 Agent 能力。

产品策略转变：过去，梁文锋对产品有“不完美不发布”的偏执，导致 V3.2 到 V4 预览版间隔长达 4 个半月，V3 正式版到 V4 更是用了 1 年 4 个月。如今，DeepSeek 不仅更新加快，还愿意将实验性质的模型开放给公众，这被解读为梁文锋“放低姿态”，更注重与用户和市场的互动。这种转变的背景是，DeepSeek 在发布节奏上明显落后于同行：OpenAI 在 2025 年 8 月发布 GPT-5，Anthropic 在 11 月发布 Opus 4.5，而国内阿里、Kimi、智谱等也密集发布新模型。相比之下，DeepSeek 在 2025 年仅发布了 V3.1 和 V3.2 等迭代版本。

社区反馈与挑战：V4 Flash Vision Exp 上线后，社区实测发现其存在明显短板：无法识别梁文锋本人的代表性照片，理解复杂图表时易漏掉关键信息，中文场景处理偏弱，甚至影响上下文缓存。有用户评价其“效果好像也就那样”。这或许反映了 DeepSeek 在压力下的仓促发布。

竞争压力：DeepSeek 的 DSH 产品对标 Anthropic 的 Claude Code 和 OpenAI 的 Codex。8月20日，OpenAI 开源了 Codex Harness，将多模态置于 Agent 运行时的核心位置，让模型直接接收截图等视觉输入并纳入任务链。相比之下，DSH 在多模态上此前依赖外部视觉模型，存在信息损耗。V4 Flash Vision Exp 的发布，可视为 DeepSeek 对 OpenAI 开源的回应，意在告诉用户“别人有的我们也有”。

社区补足：DSH 开源后，社区已开始弥补其与普通用户的距离。例如，大二学生 Benson Wang 开发的 DSH Desktop 项目，提供“一键安装”功能，降低了使用门槛。这或有助于 DeepSeek 生态的扩展。

总体而言，V4 Flash Vision Exp 的发布标志着 DeepSeek 在多模态与 Agent 赛道上的加速追赶，但其实际效果与社区预期尚有差距。梁文锋的产品哲学正在调整，但能否在激烈的竞争中保持领先，仍需观察。