8月21日，DeepSeek悄然上線了多模態視覺理解模型DeepSeek V4 Flash Vision Exp，官方僅給出效能表和幾個演示案例，既無技術報告也未開源。這一舉動與創始人梁文鋒此前“多模態不是主線”的表態形成微妙反差，被外界解讀為其產品策略的務實轉向。
梁文鋒曾在投資人交流會上明確表示，多模態對C端產品重要，但對智慧上限而言只是“元件”，並非主線，並預告V4後續版本將支援原生多模態。如今，DeepSeek V4 Flash Vision Exp的釋出，看似違背了“元件”定位——它更像一個主線模型，而非像DeepSeek OCR那樣純粹的輔助工具。然而，細看其評測基準，卻透露出DeepSeek的真實意圖：官方公佈的跑分集中在Terminal Bench 2.1（83.9分）和DeepSWE（59.3分）等Agent基準上，而非傳統視覺模型常用的MMMU、MathVista等“看圖答題”測試。這暗示該模型的核心價值在於讓Agent看懂網頁截圖、圖表和UI佈局，從而完成任務，而非單純的多模態對話。
事實上，DeepSeek在多模態技術上的積累早有鋪墊。4月29日，其多模態負責人陳小康在X平台預告灰度測試，次日DeepSeek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，實現“邊推理邊指向”。該論文雖在5月1日被撤下，但6月上線的Vision模式已採用此機制，而DeepSeek V4 Flash Vision Exp正是將同一技術嫁接到V4-Flash API基座上，重點強化多模態Agent能力。
此次釋出的另一背景是DeepSeek主力產品DSH（DeepSeek Harness）的迭代。8月19日，DSH更新rc.8版本，提升Agent多模態能力，採用“原生直通”和“工具層視覺”兩條腿走路：前者讓支援視覺輸入的底層模型直接處理圖片，後者則為純文本模型提供OCR等降級方案。此前，DSH依賴社群外掛或外部視覺模型“借眼睛”，如今終於有了自家視覺模型支撐。
梁文鋒的產品哲學曾是“不完美不釋出”，DeepSeek V4從預覽到正式版歷經數月跳票，V3.2與V4預覽版相隔4個半月。但此次實驗性模型的快速上線，以及DSH的頻繁更新，顯示其態度已發生轉變——放低姿態，用產品與使用者更密切交流。社群實測卻顯示，該模型連梁文鋒本人的代表性照片都無法識別，複雜圖表理解也漏掉關鍵資訊，中文場景偏弱，引發“效果一般”的普遍評價。
這一動作背後，是DeepSeek面臨的競爭壓力。國際對手OpenAI於8月20日開源Codex Harness，將多模態置於Agent執行時核心，模型可直接接收截圖並納入任務鏈，減少資訊損耗。Anthropic的Claude Code因靜默期暫無大更新，但OpenAI的激進策略顯然刺激了DeepSeek。梁文鋒急於告訴使用者“別人有的我們也有”，儘管仍需時間完善。
社群正在補足DSH的“最後一公里”，例如大二學生Benson Wang開發的DSH Desktop專案，實現一鍵安裝，降低普通使用者使用門檻。DeepSeek V4 Flash Vision Exp的釋出，既是技術路線的延續，也是產品策略的調整——多模態不是目的，而是強化Agent與推理主線的外掛。對於AI產業觀察者而言，這一事件表明DeepSeek正加速補齊多模態能力，以應對日益激烈的模型層競爭，其後續正式版能否兌現潛力，值得持續關注。