过去我们聊多模态模型，第一反应都是「AI 看图说话」——你发一张照片，它给你描述一段话。但 8 月 31 日 DeepSeek 在 Hugging Face 开源的 V4 家族首款多模态模型 DeepSeek-V4-Flash-Vision-Exp，方向完全不一样：这双「眼睛」不是给人看图，而是专供 AI Agent 看屏幕干活。
305B 参数的「眼睛」，MIT 许可直接免费商用
先说硬指标。DeepSeek-V4-Flash-Vision-Exp 总参数量 305B，采用 MoE（混合专家）架构，每个 token 实际激活约 13B 参数——也就是说，它拥有接近旗舰级的容量，但推理时只动用一小部分，成本可控。模型基于 8 月的 V4-Flash-0731 底座，在原有语言模型基础上接入视觉编码器（Vision Encoder）和 Aligner 对齐模块，经过持续训练获得图像理解能力。
更关键的是许可：MIT License，权重完全开放，可以自由商用、修改、二次开发。这意味着个人开发者、中小团队都能把它下载到本地，用自己的数据微调，不再受 API 调用额度限制。
这双「眼睛」为什么是给 Agent 用的？
传统多模态模型主打视觉问答（VQA）——描述图片、回答问题。DeepSeek 这次为 Vision 版本划定的赛道完全不同：官方重点强调多模态 Agent 能力，让 Agent 直接读取网页截图、软件界面、图表等视觉信息，再结合工具调用继续执行任务。
换句话说：以前 Agent 只能「读字」，现在能「读屏」。比如让 AI 看着你的操作界面截图判断下一步、读一张数据图表后直接帮你调工具算结果、看一页网页截图后照着执行任务——这正是「AI 替你操作电脑」这类应用最缺的一块拼图。
模型原生支持 JPEG、PNG、GIF、WebP 四种图片格式，图片进入前会缩放处理，图片 token 上限为 384 个。
性能逼近 Claude Opus 4.8，官方措辞依旧克制
从官方公布的跑分看，加入视觉能力后，纯文本 Agent 能力基本不受影响：Terminal Bench 2.1 从 82.7 涨到 83.9，DeepSWE 从 54.4 涨到 59.3，甚至超过了 Claude Opus 4.8 的 58.0。
多模态 Agent 的提升更明显：ApexBench Pass@1 达到 36.5，Agents’ Last Exam 以 27.3 超过 Opus 4.8 的 25.7，ZeroBench Pass@5 也以 35.0 压过对手的 34.0。但 DeepSeek 并没有宣称「全面超越」：在 NL2Repo 项目上得分 57.7，明显落后于 Opus 4.8 的 69.7。官方表述很克制，只说「多模态 Agent 能力接近 Claude Opus 4.8」。
开源得很彻底：权重、推理代码、量化版一次给齐
这次开源不只是丢个权重文件。官方打包了模型权重、Tokenizer、Prompt Encoding 参考实现，以及一份最小化 PyTorch 推理实现，覆盖视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections、DSpark 等核心模块。社区跟进也很快，Hugging Face 页面上已经出现 7 个面向 llama.cpp、LM Studio、Ollama 的量化版本。
部署门槛方面，官方适配了 DeepSeek Harness 智能体框架，实现从视觉输入到工具调用的全链路闭环；本地部署约 128G 内存即可运行，支持 FP8 精度。
时间线藏着 DeepSeek 的商业节奏
值得注意的一个细节：8 月 21 日这个模型就先上线了 DeepSeek API，当时只能调用、不给权重，开发者可以通过 API 同时输入文字和图片，图片按 token 计费；十天后权重才正式开放。「先卖 API 再开源」的节奏，透露出 DeepSeek 以 API 服务为主的定位——开源权重既是生态策略，也是商业杠杆。
对普通人意味着什么
三点值得记住。第一，「让 AI 替你看屏幕操作电脑」的技术门槛被拉低了——305B 级别、MIT 许可、128G 内存可本地部署的多模态 Agent 模型，这是国产开源第一次给出完整方案。第二，开源生态的反超正在发生：继 H3、GLM 之后，DeepSeek 把「视觉」这块最后的关键拼图也补齐了，而且是一次性把推理栈一起开源，摆明了要进各类 Agent 框架和工具链。第三，模型标注为「Exp」实验版本，识别和图表理解能力强，但官方建议针对具体任务实测，不要假设所有图像任务都是生产级表现。
如果你在观望「本地跑一个能看屏幕的 AI 助手」，这个模型值得下载试试——毕竟，看得懂屏幕的 AI，离「自己干活」又近了一大步。
关注「AI 智习室」，每天一条看得懂的 AI 情报。
