DeepSeek这次上视觉模型，我觉得最大的信号不是“又多了一个模型”，而是多模态这条赛道真的开始卷了。
文本模型大家已经卷了很久，现在竞争正在往下一层走：谁能看懂现实世界，谁能把看到的信息真正用起来。V4-Flash-Vision-Exp目前还是实验性质，但纯文本能力保持V4-Flash正式版水平，同时在视觉理解相关Agent测试上明显提升，官方披露的多模态Agent能力已经接近Opus-4.8。
我反而挺期待后面的正式版。因为一旦视觉、语言、工具调用真正揉到一起，AI的使用方式可能会变得完全不一样。以后我们给AI的输入，可能不再是一句话，而是整个屏幕、整个文件夹，甚至整个现实世界。
这才是多模态真正值得期待的地方。
DeepSeekV4视觉模型上线
