说好“多模态不是主线”的梁文锋，怎么转头就发了个Vision模型？

在多模态这个问题上，梁文锋在那次投资人交流会上曾这么说过：“多模态布局，我们一直在做。对产品来讲，它很重要；对C端用户产品来讲，它很重要。但是对智能的上限，它是一个组件，它不是主线本身。我们应该会上相关的模型，就是我们V4的后续版本会支持原生的多模态。”

梁文锋也的确做到了。2026年8月21日，DeepSeek上线了DeepSeek V4 Flash Vision Exp，DeepSeek官方称，这是一个多模态视觉理解模型。

和V4 Flash以及V4 Pro不同，DeepSeek V4 Flash Vision Exp没有技术报告，也没开源，官方只给了一张性能表和几个演示案例。

可DeepSeek V4 Flash Vision Exp怎么看都不像是个“组件”。

以往来看，DeepSeek OCR、DeepSeek OCR 2这样的模型才贴合梁文锋口中“组件”的定位。这些模型的作用，是把图片以像素形式存在的文字，转换成电脑可以识别的纯文本字符。

因此，相较DeepSeek OCR而言，DeepSeek V4 Flash Vision Exp更像是一个“主线”模型。

难道梁文锋对多模态的看法改变了？事实可能并非如此。不过有一点可以肯定，那就是梁文锋学会了放低姿态，用产品和用户形成更密切的交流。

梁文锋此前曾说，“通往AGI要经过产品这个台阶，但不用花太多精力做C端、B端。”而随着DSH的爆火，发布后不到一个星期，DS就发布更新，提升了多模态能力。

过去的梁文锋对于产品有一种“偏执”，不完美不发布。DeepSeek V3.2版本和DeepSeek V4预览版之间，相隔足足4个半月，如果从V3正式发布开始算，仅仅1个大版本，就用了1年零4个月。

现如今不仅更新变快了，还把DeepSeek V4 Flash Vision Exp这种实验性质的模型开放给公众，都是在说明梁文锋态度上发生了一些转变。

01

多模态是Agent和推理的入口

如果你是练跑步的，那么你应该给别人看的成绩你跑了多少米用了多少秒，这样别人才知道你到底是快还是慢。但如果你告诉别人的是三分球命中率是多少，那很显然，你想告诉别人的是你有多准。

DeepSeek V4 Flash Vision Exp也是如此，它想表达的事情，远非是一个展示DeepSeek现有的多模态能力那么简单。

明明是一个多模态模型，官方公布的测评里，放的却是一串Agent基准。比如Terminal Bench 2.1得83.9，DeepSWE 59.3。

其实在AI视觉模型圈里有一套默认的考卷。

一个新视觉模型发布，通常要放的是这几项：MMMU，跨30个学科、大学水平的图文理解与推理，考“看到图能不能做对题”；MathVista，考图片里的数学推理；DocVQA，考从扫描文档里找到答案；ChartQA，考读懂图表里的数字和趋势；OCRBench，考最基础的文字识别。

无论是Qwen-VL、Gemini 还是GPT-4o，发新版本的时候，展示的都是这套基准。

即便是DeepSeek V4 Flash Vision Exp也放了一些多模态侧的基准，然而这些基准也“不太正经”，充满了浓浓的Agent味。

Chartography考的是专业人士读专业图表做决策，ApexBench是多模态Agent基准，Agents’ Last Exam 是通用Agent评测。没有一项是“看图答题”，全是“看完图，把事做下去”。

这张跑分图，本身就是DeepSeek的一种暗示。

梁文锋自始至终都认为多模态不是AGI的主线，DeepSeek V4 Flash Vision Exp是DeepSeek在Agent跟推理这条主线上的一个必然产物，只不过它刚好也是“多模态”罢了。

DeepSeek V4 Flash Vision Exp所展现出来的价值观是，多模态从来不是让你“看图聊天”，而是让Agent看懂网页截图、读懂图表数据、理解UI布局，然后把任务做下去。

多模态不是目的，是手段，是给主线用的插件。DeepSeek的主线仍然是Agent和推理，DeepSeek V4 Flash Vision Exp所干的事，也不过是强化了产品的推理能力。

虽然DeepSeek V4 Flash Vision Exp这个很神秘，但它也并非是一个凭空出现的模型。

4月29日晚，DeepSeek多模态负责人陈小康（Xiaokang Chen）在X平台发文预告，配文 “Now, we see you”，宣布DeepSeek多模态识图功能开启灰度测试。

第二天，DeepSeek正式在GitHub发布技术报告《Thinking with Visual Primitives》（以视觉原语思考）及配套仓库。论文作者单位包含DeepSeek、北京大学、清华大学，属于三方联合研究成果。

然而这篇论文在5月1日凌晨就被删除，相关官宣推文也消失不见，GitHub官方仓库直接变为404状态，项目彻底无法访问。DeepSeek全程未发布任何撤稿公告，也没有公开解释原因。

好在，社区留下了这篇论文的拷贝版本。

这篇论文没有去讲“我们模型看得多清楚”，而是提出一个问题：模型能看见，但不一定能想清楚。

传统多模态模型用自然语言描述图片里的对象，比如“左边那个男的”“右边那个高的”。可是在复杂场景里，这种描述非常模糊，模型很容易越推越乱，最后导致整个逻辑崩塌。

就拿集体照来说，左边一共好几个男的，那么哪个男的才是模型所描述的那个？

DeepSeek的解法，是把点坐标和边界框提升为“思维的最小单元”，直接嵌进推理链，让模型“边推理边指向”，就像人数东西时会伸出手指，一个一个点着数。

靠这套机制，模型在计数、空间推理、迷宫导航这类任务上，把抽象的判断精确锚定到图像坐标，从“左边那个男的”、“右边那个高的”，变成了“我手指的这个”、“我手指的那个”。

6月，经过DeepSeek官方确认，其在客户端和网页端上线的Vision模式，底层就是这套视觉原语机制。

而DeepSeek V4 Flash Vision Exp，是把同一套技术嫁接到了V4-Flash的API基座上，重点强化多模态Agent能力，核心推理逻辑完全沿用了论文的方案，没有跳出其技术框架。

不仅如此，论文当时的实验，就是基于DeepSeek-V4-Flash作为语言骨干所搭建的多模态方案。这次的DeepSeek V4 Flash Vision Exp光看名字也知道，仍然使用的是DeepSeek-V4-Flash。

除了DeepSeek V4 Flash Vision Exp这个模型，DeepSeek在多模态方面的进展还体现在DSH上，8月19日晚，作为DeepSeek目前的主力产品，DSH更新了rc.8版本，提升了Agent的多模态能力。

rc.8的核心，是DeepSeek在多模态这件事上，“两条腿”走路。

一条叫“原生直通”。rc.8给模型适配器加了可配置的原生图片请求能力，只要底层模型声明支持视觉输入，比如GLM、Qwen，或者刚上线的V4-Flash-Vision-Exp，Harness就把图片原封不动送进模型，不做任何中间加工。

另一条叫“工具层视觉”，服务的是纯文本模型。

比如用DeepSeek自己的V4-Flash，直接读图会失败。这时Harness不会报错退出，而是自动降级成一套工具链，先做OCR识别文字，再统计图片颜色比例、扫描部分像素行、读取尺寸和颜色模式，把这些信息拆成结构化证据，最后交给文本模型去推理整张图。

Cherry Studio的核心创始人Yinsen把这种方式称为“伪视觉”，对付PPT截图、流程图、界面这类结构清晰的图够用，面对真实照片和复杂的空间关系就很勉强。

但要说明的一点是，DSH在rc.8之前，甚至连“伪视觉”都没有，全靠社区的视觉插件，还有通过pi2dsh桥接进来的视觉方案。

它们的做法大同小异，先调一个外部的视觉模型（比如 GLM、Qwen）把图片识别成文字，再把结果塞回文本模型。

这些插件证明了DSH架构的开放性，也同时暴露了一件事，DeepSeek自己没有视觉模型，只能借别人的眼睛。

02

DSH还有哪些可以补足？

正如开头提到的，虽说梁文锋没有改变旧观点，但梁文锋也学会放低了姿态。

2025年，在DeepSeek R1惊艳全球之后，社区就开始等待DeepSeek发布V4。

2025年下半年，随着V3.1、V3.2等迭代版本陆续推出，无数媒体“独家爆料”，称DeepSeek下一代旗舰大模型V4，计划于2025年7月、8月、9月……直至2025年年底发布。

结果自然是无一准确，堪称现代版狼来了。

2026年春节前，距离V3 发布已经过去400多天，所有人都在赌DeepSeek会复刻春节档R1的奇迹，把V4卡在农历新年这个节庆日子上线。

结果2月4日，外媒援引消息人士的话，称春节期间V4不会发布，DeepSeek官方也对此事保持沉默。

然后时间线一路后移。最后到了4月24日，V4才以预览版的形式登场，一次同时放出了V4-Pro和V4-Flash。

梁文锋的产品观是，宁可跳票，也不肯在产品没有完全做好的前提下发布。

可也就是在这段时间里，DeepSeek“掉队”了。

国际方面，2025年8月，OpenAI发布了GPT-5；11月，Anthropic发布Opus 4.5。这两款模型都是问鼎全球的性能榜的产品。

而在国内，2025年4月Qwen 3，不到半年后，阿里一口气放出来了Qwen3-VL、Qwen3-Omni、Qwen3-Max、Qwen3-Coder。还有Kimi的首个原生多模态模型K2.5、智谱的GLM-4.7、MiniMax的M2.1、腾讯的hunyuan world等等，数不胜数。

与之相对的，DeepSeek发布的产品只有V3.1（8月V3.1，9月V3.1-terminus）和V3.2（12月）。

除了DeepSeek，全世界都在以月为单位发布模型，Anthropic更是以天为单位，在2026年2月1日到3月末，52天的时间里发布了73款功能和产品。

假如梁文锋是大厂的产品经理，以他发产品的效率，恐怕撑不过试用期就得被开除。只可惜DeepSeek是他的。

正式版更磨人。

6月29日，DeepSeek给全体API开发者发邮件，明确表示V4正式版7月中旬上线。7月21日，有消息表示正式版将要延期，目标挪到7月底。7月28日，又有消息说可能拖到8月10日至20日之间。

7月31日，V4-Flash正式版才千呼万唤始出来，而V4-Pro正式版，直到8月12日晚间才正式上线。

梁文锋对待产品，不做到自己满意，绝对不放出来。

可到了DeepSeek V4 Flash Vision Exp这里，明显味道变了。

模型上线当晚，社区就开始对其进行检测。根据实测显示，DeepSeek V4 Flash Vision Exp连梁文锋本人最具代表性的一张照片都无法识别。

不仅如此，还有用户反馈，称DeepSeek V4 Flash Vision Exp在理解复杂图表时会漏掉关键信息，中文场景的处理偏弱，有人在对话里插入图片后，还发现上下文缓存机制受到牵连。

一圈看下来，社区对DeepSeek V4 Flash Vision Exp的普遍看法是“效果好像也就那样”。

这个模型就像是在餐馆等着上菜，看不见后厨，不知道这盘菜什么时候才能端上来，厨师怕你等不及，于是从锅里盛了一勺给你尝尝，告诉你说菜还没做好，但是在做了。

其中的原因，很可能在于梁文锋持续受到优秀产品的压力。DSH从立项之初就对标Anthropic的Claude Code和OpenAI的Codex。

8月23日，外媒报道称Anthropic或将于8月底递表上市，因此目前正处于静默期，Claude Code没有较大的更新。

OpenAI却很激进，8月20日直接开源了Codex Harness，这是支撑Codex运行的底层系统。负责把模型和工具接起来，让模型能打开文件、执行命令、记住任务进行到哪一步，以及遇到有风险的操作要停下来询问。

但这并不是重点，重点是，在产品逻辑上，Codex Harness把多模态放在了Agent运行时的核心位置。

在Codex的工作流里，图片不是先交给某个外部视觉模型，再把识别结果转述给文本模型。

模型是可以直接接收截图、界面和其他视觉输入的，并把这些内容纳入同一条任务链。模型会先理解画面，再决定要调用什么工具、修改哪些文件、运行哪些命令，最后根据执行结果继续修正。

正如前文所述，DSH无论是哪条腿，在多模态这件事上，在DeepSeek V4 Flash Vision Exp之前，它都是割裂开的。DSH只负责以“模型处理过的图片”进行推理，而非用图片进行推理。

显然，Codex效果更强，首先是因为它减少了一次信息损耗。图片经过OCR或摘要之后，模型看到的已经不是原始画面，而是工具挑选出来的文字和特征。

只要处理过的图片漏掉一些信息，那么后面的推理就只能建立在不完整的证据上。

举个例子，前面的话就相当于模型处理后的图片，后面那句话是原图。你会发现，仅仅只漏掉一个字，意思就完全相反了。

要断章取义——出自“不要断章取义”

原生视觉输入则让模型直接面对图像，文字、布局、位置和相互关系可以在同一上下文里被判断。

其次，Codex把视觉理解和行动闭环连在了一起。它不是单独回答“这张图里有什么”，而是要根据截图判断下一步该做什么，再通过终端、文件和其他工具验证结果。

就算是中间出错了，新的截图和执行反馈还能继续回到同一条推理链里。这样一来，多模态就不再是“识别完了就完了，后面发生啥不关我事”的状态了，而是一个持续的服务，以提高推理的性能。

而这一步也是目前DSH所欠缺的。

所以这也是为什么OpenAI在开源Codex Harness后，DeepSeek会立马开源DeepSeek V4 Flash Vision Exp，梁文锋是想告诉用户，别急，别人有的我们也有，不过需要一点时间。

03

社区正在补足DSH的最后一公里

当然，DSH最明显的短板，是它和普通用户之间距离太远了，没点计算机知识，估计连DSH怎么安装都不清楚。

好在的是，正是由于DSH开源，所以这最后一公里，社区已经开始接手了。

最典型的例子是DSH Desktop，这个项目由一位06年的大二学生Benson Wang开发。

它的核心就四个大字“一键安装”。把原本需要复杂安装环境，以及输入npm指令才能安装使用的DSH，变成一个exe，下载以后双击安装就能直接变成一个桌面工具。

然而就是这么简单的一个项目，短短几天，就在GitHub上获得了1.8万颗星星。可见，大家普遍都认为DSH就该有一个简单方便的桌面版本，现在的DSH确实有些“反人类”了。

顺便一提，DSH Desktop这个项目的贡献者也有DSH负责人崔添翼，不过这并不是说明他参与了开发，而是GitHub本身的开源协作机制，让DSH原本的贡献者出现在了这里。

Benson Wang表示，他正在开发手机版的DSH，项目名为anywhere DSH。

他计划通过 iOS 和 Android 连接桌面端，让用户在手机上发起任务、查看 Agent 进度，并在需要时继续跟进。

这也是社区最有价值的地方。

事实上，DSH官方团队本身也非常关注社区。比如他们关注了DSH-better-sidebar这个项目，这是DSH第三方社区UI增强插件，给DSH原生Web界面提供了一套完整的服务化侧边栏工作台框架。以及awesome-dsh-plugins，提供DSH插件精选和搜索雷达，相当于是一个DSH的插件市场。

或许不久的将来，DSH会“收编”这些优秀的项目和开发者，丰富现在的DSH。

诚然，社区项目不能自动等同于DeepSeek的战略转向。开放生态越是发展，就越是会有版本兼容、权限控制、插件安全等问题出现。

但官方的态度就说明，DSH正在通过社区吸纳好的想法。

或许不久的将来，DSH也将上线官方的插件市场，想用什么插件，自己直接在官方的入口里搜就行了。