DeepSeek终于识图了,可以卸载元宝了

DeepSeek 终于发布多模态模型 DeepSeek-V4-Flash-Vision-Exp，可以真正识图了。

对于我来说，未来将正式使用 DeepSeek Chat 了（手机和电脑 APP），过去我在元宝中使用 DeepSeek 模型的，原因之一就是 DeepSeek 只是文本模型， DeepSeek Chat 在识别图片上做的没有元宝优秀。

很多人说 DeepSeek Chat 上不是能上传图片呢？实际上它是先从图片识别文字，然后再让文字模型处理。但如果你上传的图片没有任何文字，它是不会处理的，小伙伴们应该都遇到过这种情况。

从现在开始 DeepSeek Chat 将支持三种模式，如下图：

而未来 DeepSeek 的模型将正式成为多模态模型。

DeepSeek-V4-Flash-Vision-Exp 和 DeepSeek-V4-Flash 从外面看来几乎一样：

价格方面，DeepSeek-V4-Flash-Vision-Exp 和 DeepSeek-V4-Flash 完全一样，图片也会解析为 token，每张图片最多 384 tokens。另外 DeepSeek 还发布了 Files API，可以在 Chat API 中复用图片，一个优化 Token 使用的小技巧。

性能方面呢，在四个 Agent 基准上，相比 DeepSeek-V4-Flash 都提升了，比如 ApexBench 从 26.2 提高到了 36.5，如下图：

此外 DeepSeek-V4-Flash-Vision-Exp 虽然加上了图片处理，但文字处理能力也没有减弱，比如 Toolathlon 的 75.9 追平了 Opus 4.8。

那为什么原生多模态模型如此重要呢？

过去 DeepSeek Chat 的做法是外部将图片处理成文字再丢给模型，不代表模型理解了图片，而现在模型本身就能理解图片，就算图片没有内容，也能理解其上下文。而现在各种 Agent，不仅仅要理解文字，更是通过图片去理解用户真正的需求。

对于 DeepSeek API 调用者来说，是时候将 DeepSeek-V4-Flash 替换为了 DeepSeek-V4-Flash-Vision-Exp，价格不变、核心功能引入、能力提升，为什么不换呢？

对于我来说，拜拜了元宝，因为到现在它内嵌的 DeepSeek 模型还是 3.0。