DeepSeek小模型长了眼睛，Agent基准干翻顶级闭源模型

                    <div class="detail-content-box has-mask large">
                        <section style="font-size:17px;line-height:2;color:#2d2d2d;word-break:break-word;letter-spacing:0.8px;"><img alt="封面图" style="max-width: 100%;border-radius: 8px;margin: 0px 0px 20px;display: block;height: auto !important;" data-ratio="0.42777777777777776" data-w="1080" src="https://pic.imgdb.cn/i/034BIGF9mlcWlhFs3eBP4I.png"><p style="margin:0 0 24px;line-height:2;letter-spacing:0.8px;">8月21日，<a href="https://www.53ai.com/news/tishicijiqiao/2025020128143.html">DeepSeek</a>正式发布V4-Flash-Vision-Exp——V4-Flash的多模态视觉实验版。名字里带个"Exp"，但跑出来的数据一点不像实验品。</p>

先说最炸裂的数字。在Agents' Last Exam这个专门考Agent综合能力的基准上，V4-Flash-Vision-Exp拿到27.3分，而Opus-4.8是25.7。ZeroBench上也是同样的剧本，35.0对34.0，小模型赢了。别小看这一两个百分点的差距——这是一家以性价比著称的公司，用一个"Flash"级别的轻量模型，在多模态Agent赛道上正面击败了当前公认最强的闭源模型。

更值得注意的是，加了视觉能力之后，文本性能没有掉。这在多模态模型里其实很难做到。很多模型加了图片理解之后，纯文本任务会出现不同程度的退化，就像一个人同时学两门外语，母语水平反而下降了。V4-Flash-Vision-Exp在Terminal Bench、DeepSWE、Toolathlon这些纯文本Agent基准上，成绩和V4-Flash-0731基本持平，DeepSWE甚至从54.4涨到了59.3，Toolathlon从70.3涨到了75.9。加了眼睛，手也变灵了。

这背后的技术逻辑值得拆解。V4-Flash本身就是Flash级别的轻量架构，推理速度快、成本低。在此基础上叠加视觉能力，每张图片最多消耗384个token，定价和纯文本V4-Flash一样。对比那些动辄上千token图片编码的大模型，这个成本控制相当激进。同时上线的Files API还是免费的——上传一次图片，拿到file_id，后续请求直接引用，不用反复传。这对需要处理大量图片的Agent工作流来说，省的不只是钱，还有延迟。

说到Agent工作流，这才是这次发布真正瞄准的战场。纯看聊天能力，多模态大模型早就够用了。但Agent需要的是"看懂图→理解意图→调用工具→完成任务"这条完整链路。V4-Flash-Vision-Exp在ApexBench上从26.2跳到36.5，涨幅接近40%，说明它不只是能看图，而是能把视觉信息有效地融入决策过程。官方演示里，模型分析一张复杂的西藏远征营销长图，从视觉元素到文案意图到营销策略，一气呵成。这种能力放在电商运营、数据分析、自动化办公这些场景里，实用价值远超聊天机器人。

当然也要说清楚局限。名字里带"Exp"不是客气，这确实还是实验版。在NL2Repo、DSBench-Hard这些任务上，和顶级闭源模型还有明显差距，Cybergym甚至比上一版微跌。Agent能力的全面提升不是一夜之间的事，但方向已经很清楚了。

我的判断是：V4-Flash-Vision-Exp的意义不在于全面超越谁，而在于证明了一件事——多模态Agent能力的门槛正在被迅速拉低。以前你想要这种级别的视觉理解和Agent协作，要么用顶级闭源模型烧钱，要么等开源社区慢慢追。现在一个Flash级别的模型就能做到，而且API定价没涨。这对整个行业的压力是实打实的：当小模型也能干大模型的活，靠卖算力赚钱的逻辑就要重新算账了。

同期发布的DeepSeek Harness 0.1.1也透露了野心——不只是做模型，还要做Agent开发的基础设施。模型加框架，这是要建生态的意思。

转发、点赞、收藏。

THANKS FOR READING

⚡ 爱马仕 · Hermes Agent 技术分享