說好“多模態不是主線”的梁文鋒，怎麼轉頭就發了個Vision模型？

字母AI2026.08.24 20:17 · 來自北京全文7138字00:00 / 18:44多模態這事上，梁文鋒還是梁文鋒，但他學會了放低姿態。文 | 字母AI在多模態這個問題上，梁文鋒在那次投資人交流會上曾這麼說過：“多模態佈局，我們一直在做。對產品來講，它很重要；對C端用戶產品來講，它很重要。但是對智能的上限，它是一個組件，它不是主線本身。我們應該會上相關的模型，就是我們V4的後續版本會支持原生的多模態。”梁文鋒也的確做到了。2026年8月21日，DeepSeek上線了DeepSeek V4 Flash Vision Exp，DeepSeek官方稱，這是一個多模態視覺理解模型。

和V4 Flash以及V4 Pro不同，DeepSeek V4 Flash Vision Exp沒有技術報告，也沒開源，官方只給了一張性能表和幾個演示案例。可DeepSeek V4 Flash Vision Exp怎麼看都不像是個“組件”。以往來看，DeepSeek OCR、DeepSeek OCR 2這樣的模型才貼合梁文鋒口中“組件”的定位。這些模型的作用，是把圖片以像素形式存在的文字，轉換成電腦可以識別的純文本字符。因此，相較DeepSeek OCR而言，DeepSeek V4 Flash Vision Exp更像是一個“主線”模型。難道梁文鋒對多模態的看法改變了？事實可能並非如此。

不過有一點可以肯定，那就是梁文鋒學會了放低姿態，用產品和用戶形成更密切的交流。梁文鋒此前曾說，“通往AGI要經過產品這個臺階，但不用花太多精力做C端、B端。”而隨著DSH的爆火，發佈後不到一個星期，DS就發佈更新，提升了多模態能力。過去的梁文鋒對於產品有一種“偏執”，不完美不發佈。DeepSeek V3.2版本和DeepSeek V4預覽版之間，相隔足足4個半月，如果從V3正式發佈開始算，僅僅1個大版本，就用了1年零4個月。現如今不僅更新變快了，還把DeepSeek V4 Flash Vision Exp這種實驗性質的模型開放給公眾，都是在說明梁文鋒態度上發生了一些轉變。

多模態是Agent和推理的入口如果你是練跑步的，那麼你應該給別人看的成績你跑了多少米用了多少秒，這樣別人才知道你到底是快還是慢。但如果你告訴別人的是三分球命中率是多少，那很顯然，你想告訴別人的是你有多準。DeepSeek V4 Flash Vision Exp也是如此，它想表達的事情，遠非是一個展示DeepSeek現有的多模態能力那麼簡單。明明是一個多模態模型，官方公佈的測評裡，放的卻是一串Agent基準。比如Terminal Bench 2.1得83.9，DeepSWE 59.3。其實在AI視覺模型圈裡有一套默認的考卷。

一個新視覺模型發佈，通常要放的是這幾項：MMMU，跨30個學科、大學水平的圖文理解與推理，考“看到圖能不能做對題”；MathVista，考圖片裡的數學推理；DocVQA，考從掃描文檔裡找到答案；ChartQA，考讀懂圖表裡的數字和趨勢；OCRBench，考最基礎的文字識別。無論是Qwen-VL、Gemini 還是GPT-4o，發新版本的時候，展示的都是這套基準。即便是DeepSeek V4 Flash Vision Exp也放了一些多模態側的基準，然而這些基準也“不太正經”，充滿了濃濃的Agent味。

Chartography考的是專業人士讀專業圖表做決策，ApexBench是多模態Agent基準，Agents’ Last Exam 是通用Agent評測。沒有一項是“看圖答題”，全是“看完圖，把事做下去”。這張跑分圖，本身就是DeepSeek的一種暗示。梁文鋒自始至終都認為多模態不是AGI的主線，DeepSeek V4 Flash Vision Exp是DeepSeek在Agent跟推理這條主線上的一個必然產物，只不過它剛好也是“多模態”罷了。

DeepSeek V4 Flash Vision Exp所展現出來的價值觀是，多模態從來不是讓你“看圖聊天”，而是讓Agent看懂網頁截圖、讀懂圖表數據、理解UI佈局，然後把任務做下去。多模態不是目的，是手段，是給主線用的插件。DeepSeek的主線仍然是Agent和推理，DeepSeek V4 Flash Vision Exp所幹的事，也不過是強化了產品的推理能力。雖然DeepSeek V4 Flash Vision Exp這個很神秘，但它也並非是一個憑空出現的模型。

4月29日晚，DeepSeek多模態負責人陳小康（Xiaokang Chen）在X平臺發文預告，配文 “Now, we see you”，宣佈DeepSeek多模態識圖功能開啟灰度測試。第二天，DeepSeek正式在GitHub發佈技術報告《Thinking with Visual Primitives》（以視覺原語思考）及配套倉庫。論文作者單位包含DeepSeek、北京大學、清華大學，屬於三方聯合研究成果。然而這篇論文在5月1日凌晨就被刪除，相關官宣推文也消失不見，GitHub官方倉庫直接變為404狀態，項目徹底無法訪問。DeepSeek全程未發佈任何撤稿公告，也沒有公開解釋原因。

好在，社區留下了這篇論文的拷貝版本。這篇論文沒有去講“我們模型看得多清楚”，而是提出一個問題：模型能看見，但不一定能想清楚。傳統多模態模型用自然語言描述圖片裡的對象，比如“左邊那個男的”“右邊那個高的”。可是在複雜場景裡，這種描述非常模糊，模型很容易越推越亂，最後導致整個邏輯崩塌。就拿集體照來說，左邊一共好幾個男的，那麼哪個男的才是模型所描述的那個？DeepSeek的解法，是把點座標和邊界框提升為“思維的最小單元”，直接嵌進推理鏈，讓模型“邊推理邊指向”，就像人數東西時會伸出手指，一個一個點著數。

靠這套機制，模型在計數、空間推理、迷宮導航這類任務上，把抽象的判斷精確錨定到圖像座標，從“左邊那個男的”、“右邊那個高的”，變成了“我手指的這個”、“我手指的那個”。6月，經過DeepSeek官方確認，其在客戶端和網頁端上線的Vision模式，底層就是這套視覺原語機制。而DeepSeek V4 Flash Vision Exp，是把同一套技術嫁接到了V4-Flash的API基座上，重點強化多模態Agent能力，核心推理邏輯完全沿用了論文的方案，沒有跳出其技術框架。不僅如此，論文當時的實驗，就是基於DeepSeek-V4-Flash作為語言骨幹所搭建的多模態方案。

這次的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這個模型，DeepSeek在多模態方面的進展還體現在DSH上，8月19日晚，作為DeepSeek目前的主力產品，DSH更新了rc.8版本，提升了Agent的多模態能力。rc.8的核心，是DeepSeek在多模態這件事上，“兩條腿”走路。一條叫“原生直通”。rc.

8給模型適配器加了可配置的原生圖片請求能力，只要底層模型聲明支持視覺輸入，比如GLM、Qwen，或者剛上線的V4-Flash-Vision-Exp，Harness就把圖片原封不動送進模型，不做任何中間加工。另一條叫“工具層視覺”，服務的是純文本模型。比如用DeepSeek自己的V4-Flash，直接讀圖會失敗。這時Harness不會報錯退出，而是自動降級成一套工具鏈，先做OCR識別文字，再統計圖片顏色比例、掃描部分像素行、讀取尺寸和顏色模式，把這些信息拆成結構化證據，最後交給文本模型去推理整張圖。

Cherry Studio的核心創始人Yinsen把這種方式稱為“偽視覺”，對付PPT截圖、流程圖、界面這類結構清晰的圖夠用，面對真實照片和複雜的空間關係就很勉強。但要說明的一點是，DSH在rc.8之前，甚至連“偽視覺”都沒有，全靠社區的視覺插件，還有通過pi2dsh橋接進來的視覺方案。它們的做法大同小異，先調一個外部的視覺模型（比如 GLM、Qwen）把圖片識別成文字，再把結果塞回文本模型。這些插件證明了DSH架構的開放性，也同時暴露了一件事，DeepSeek自己沒有視覺模型，只能借別人的眼睛。DSH還有哪些可以補足？正如開頭提到的，雖說梁文鋒沒有改變舊觀點，但梁文鋒也學會放低了姿態。

2025年，在DeepSeek R1驚豔全球之後，社區就開始等待DeepSeek發佈V4。2025年下半年，隨著V3.1、V3.2等迭代版本陸續推出，無數媒體“獨家爆料”，稱DeepSeek下一代旗艦大模型V4，計劃於2025年7月、8月、9月……直至2025年年底發佈。結果自然是無一準確，堪稱現代版狼來了。2026年春節前，距離V3 發佈已經過去400多天，所有人都在賭DeepSeek會復刻春節檔R1的奇蹟，把V4卡在農曆新年這個節慶日子上線。結果2月4日，外媒援引消息人士的話，稱春節期間V4不會發布，DeepSeek官方也對此事保持沉默。然後時間線一路後移。

最後到了4月24日，V4才以預覽版的形式登場，一次同時放出了V4-Pro和V4-Flash。梁文鋒的產品觀是，寧可跳票，也不肯在產品沒有完全做好的前提下發布。可也就是在這段時間裡，DeepSeek“掉隊”了。國際方面，2025年8月，OpenAI發佈了GPT-5；11月，Anthropic發佈Opus 4.5。這兩款模型都是問鼎全球的性能榜的產品。而在國內，2025年4月Qwen 3，不到半年後，阿里一口氣放出來了Qwen3-VL、Qwen3-Omni、Qwen3-Max、Qwen3-Coder。還有Kimi的首個原生多模態模型K2.5、智譜的GLM-4.7、MiniMax的M2.

1、騰訊的hunyuan world等等，數不勝數。與之相對的，DeepSeek發佈的產品只有V3.1（8月V3.1，9月V3.1-terminus）和V3.2（12月）。除了DeepSeek，全世界都在以月為單位發佈模型，Anthropic更是以天為單位，在2026年2月1日到3月末，52天的時間裡發佈了73款功能和產品。假如梁文鋒是大廠的產品經理，以他發產品的效率，恐怕撐不過試用期就得被開除。只可惜DeepSeek是他的。正式版更磨人。6月29日，DeepSeek給全體API開發者發郵件，明確表示V4正式版7月中旬上線。7月21日，有消息表示正式版將要延期，目標挪到7月底。

7月28日，又有消息說可能拖到8月10日至20日之間。7月31日，V4-Flash正式版才千呼萬喚始出來，而V4-Pro正式版，直到8月12日晚間才正式上線。梁文鋒對待產品，不做到自己滿意，絕對不放出來。可到了DeepSeek V4 Flash Vision Exp這裡，明顯味道變了。模型上線當晚，社區就開始對其進行檢測。根據實測顯示，DeepSeek V4 Flash Vision Exp連梁文鋒本人最具代表性的一張照片都無法識別。

不僅如此，還有用戶反饋，稱DeepSeek V4 Flash Vision Exp在理解複雜圖表時會漏掉關鍵信息，中文場景的處理偏弱，有人在對話裡插入圖片後，還發現上下文緩存機制受到牽連。一圈看下來，社區對DeepSeek V4 Flash Vision Exp的普遍看法是“效果好像也就那樣”。這個模型就像是在餐館等著上菜，看不見後廚，不知道這盤菜什麼時候才能端上來，廚師怕你等不及，於是從鍋裡盛了一勺給你嚐嚐，告訴你說菜還沒做好，但是在做了。其中的原因，很可能在於梁文鋒持續受到優秀產品的壓力。DSH從立項之初就對標Anthropic的Claude Code和OpenAI的Codex。

8月23日，外媒報道稱Anthropic或將於8月底遞表上市，因此目前正處於靜默期，Claude Code沒有較大的更新。OpenAI卻很激進，8月20日直接開源了Codex Harness，這是支撐Codex運行的底層系統。負責把模型和工具接起來，讓模型能打開文件、執行命令、記住任務進行到哪一步，以及遇到有風險的操作要停下來詢問。但這並不是重點，重點是，在產品邏輯上，Codex Harness把多模態放在了Agent運行時的核心位置。在Codex的工作流裡，圖片不是先交給某個外部視覺模型，再把識別結果轉述給文本模型。模型是可以直接接收截圖、界面和其他視覺輸入的，並把這些內容納入同一條任務鏈。

模型會先理解畫面，再決定要調用什麼工具、修改哪些文件、運行哪些命令，最後根據執行結果繼續修正。正如前文所述，DSH無論是哪條腿，在多模態這件事上，在DeepSeek V4 Flash Vision Exp之前，它都是割裂開的。DSH只負責以“模型處理過的圖片”進行推理，而非用圖片進行推理。顯然，Codex效果更強，首先是因為它減少了一次信息損耗。圖片經過OCR或摘要之後，模型看到的已經不是原始畫面，而是工具挑選出來的文字和特徵。只要處理過的圖片漏掉一些信息，那麼後面的推理就只能建立在不完整的證據上。舉個例子，前面的話就相當於模型處理後的圖片，後面那句話是原圖。

你會發現，僅僅只漏掉一個字，意思就完全相反了。要斷章取義——出自“不要斷章取義”原生視覺輸入則讓模型直接面對圖像，文字、佈局、位置和相互關係可以在同一上下文裡被判斷。其次，Codex把視覺理解和行動閉環連在了一起。它不是單獨回答“這張圖裡有什麼”，而是要根據截圖判斷下一步該做什麼，再通過終端、文件和其他工具驗證結果。就算是中間出錯了，新的截圖和執行反饋還能繼續回到同一條推理鏈裡。這樣一來，多模態就不再是“識別完了就完了，後面發生啥不關我事”的狀態了，而是一個持續的服務，以提高推理的性能。而這一步也是目前DSH所欠缺的。

所以這也是為什麼OpenAI在開源Codex Harness後，DeepSeek會立馬開源DeepSeek V4 Flash Vision Exp，梁文鋒是想告訴用戶，別急，別人有的我們也有，不過需要一點時間。社區正在補足DSH的最後一公里當然，DSH最明顯的短板，是它和普通用戶之間距離太遠了，沒點計算機知識，估計連DSH怎麼安裝都不清楚。好在的是，正是由於DSH開源，所以這最後一公里，社區已經開始接手了。最典型的例子是DSH Desktop，這個項目由一位06年的大二學生Benson Wang開發。它的核心就四個大字“一鍵安裝”。

把原本需要複雜安裝環境，以及輸入npm指令才能安裝使用的DSH，變成一個exe，下載以後雙擊安裝就能直接變成一個桌面工具。然而就是這麼簡單的一個項目，短短幾天，就在GitHub上獲得了1.8萬顆星星。可見，大家普遍都認為DSH就該有一個簡單方便的桌面版本，現在的DSH確實有些“反人類”了。順便一提，DSH Desktop這個項目的貢獻者也有DSH負責人崔添翼，不過這並不是說明他參與了開發，而是GitHub本身的開源協作機制，讓DSH原本的貢獻者出現在了這裡。Benson Wang表示，他正在開發手機版的DSH，項目名為anywhere DSH。

他計劃通過 iOS 和 Android 連接桌面端，讓用戶在手機上發起任務、查看 Agent 進度，並在需要時繼續跟進。這也是社區最有價值的地方。事實上，DSH官方團隊本身也非常關注社區。比如他們關注了DSH-better-sidebar這個項目，這是DSH第三方社區UI增強插件，給DSH原生Web界面提供了一套完整的服務化側邊欄工作臺框架。以及awesome-dsh-plugins，提供DSH插件精選和搜索雷達，相當於是一個DSH的插件市場。或許不久的將來，DSH會“收編”這些優秀的項目和開發者，豐富現在的DSH。誠然，社區項目不能自動等同於DeepSeek的戰略轉向。

開放生態越是發展，就越是會有版本兼容、權限控制、插件安全等問題出現。但官方的態度就說明，DSH正在通過社區吸納好的想法。或許不久的將來，DSH也將上線官方的插件市場，想用什麼插件，自己直接在官方的入口裡搜就行了。