8月21日，DeepSeek 悄然上線了多模態視覺理解模型 DeepSeek V4 Flash Vision Exp。與 V4 Flash 和 V4 Pro 不同，這款模型沒有附帶技術報告，也未開源，官方僅提供了一張效能表和幾個演示案例。這一舉動與其創始人梁文鋒此前“多模態不是主線”的表態形成鮮明對比，引發業界關注。

梁文鋒曾在一次投資人交流會上明確表示，多模態對產品很重要，但對智慧上限而言只是一個元件，並非主線本身。他當時承諾，V4 的後續版本將支援原生多模態。如今，V4 Flash Vision Exp 的釋出，似乎正是這一承諾的兌現，但模型本身卻更像一個“主線”產品，而非簡單的元件。

V4 Flash Vision Exp 的定位：從官方公佈的基準測試來看，該模型並未採用傳統視覺模型常用的 MMMU、MathVista 等“看圖答題”測試，而是聚焦於 Agent 基準，如 Terminal Bench 2.1 得分 83.9、DeepSWE 得分 59.3。這表明 DeepSeek 意在強化模型在 Agent 和推理任務上的能力，而非單純提升視覺理解。梁文鋒始終認為多模態是手段而非目的，V4 Flash Vision Exp 正是這一理念的產物——它服務於 Agent 和推理主線，讓模型能夠看懂網頁截圖、圖表資料、UI 佈局，並據此執行任務。

技術淵源：該模型並非憑空出現。4月29日，DeepSeek 多模態負責人陳小康在 X 平台預告了多模態識圖功能的灰度測試。次日，DeepSeek 在 GitHub 釋出技術報告《Thinking with Visual Primitives》，提出將點座標和邊界框作為“思維的最小單元”嵌入推理鏈，讓模型“邊推理邊指向”，從而在計數、空間推理等任務上實現更精確的錨定。該論文在5月1日被刪除，但社群保留了複製。6月，DeepSeek 在客戶端和網頁端上線的 Vision 模式即基於此技術。V4 Flash Vision Exp 則將同一技術嫁接到 V4-Flash 的 API 基座上，強化多模態 Agent 能力。

產品策略轉變：過去，梁文鋒對產品有“不完美不釋出”的偏執，導致 V3.2 到 V4 預覽版間隔長達 4 個半月，V3 正式版到 V4 更是用了 1 年 4 個月。如今，DeepSeek 不僅更新加快，還願意將實驗性質的模型開放給公眾，這被解讀為梁文鋒“放低姿態”，更注重與使用者和市場的互動。這種轉變的背景是，DeepSeek 在釋出節奏上明顯落後於同行：OpenAI 在 2025 年 8 月釋出 GPT-5，Anthropic 在 11 月釋出 Opus 4.5，而國內阿里、Kimi、智譜等也密集釋出新模型。相比之下，DeepSeek 在 2025 年僅釋出了 V3.1 和 V3.2 等迭代版本。

社群反饋與挑戰：V4 Flash Vision Exp 上線後，社群實測發現其存在明顯短板：無法識別梁文鋒本人的代表性照片，理解複雜圖表時易漏掉關鍵資訊，中文場景處理偏弱，甚至影響上下文快取。有使用者評價其“效果好像也就那樣”。這或許反映了 DeepSeek 在壓力下的倉促發布。

競爭壓力：DeepSeek 的 DSH 產品對標 Anthropic 的 Claude Code 和 OpenAI 的 Codex。8月20日，OpenAI 開源了 Codex Harness，將多模態置於 Agent 執行時的核心位置，讓模型直接接收截圖等視覺輸入並納入任務鏈。相比之下，DSH 在多模態上此前依賴外部視覺模型，存在資訊損耗。V4 Flash Vision Exp 的釋出，可視為 DeepSeek 對 OpenAI 開源的回應，意在告訴使用者“別人有的我們也有”。

社群補足：DSH 開源後，社群已開始彌補其與普通使用者的距離。例如，大二學生 Benson Wang 開發的 DSH Desktop 專案，提供“一鍵安裝”功能，降低了使用門檻。這或有助於 DeepSeek 生態的擴充套件。

總體而言，V4 Flash Vision Exp 的釋出標誌著 DeepSeek 在多模態與 Agent 賽道上的加速追趕，但其實際效果與社群預期尚有差距。梁文鋒的產品哲學正在調整，但能否在激烈的競爭中保持領先，仍需觀察。