说好「多模态不是主线」的梁文锋，怎么转头就发了个Vision模型？
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。
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。
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。