8月21日，DeepSeek上线了一个新的实验模型DeepSeek-V4-Flash-Vision-Exp，最大的变化很好理解：DeepSeek终于可以直接看图了。
这件事情如果放在两年前，可能还算一个挺大的新闻，但到了今天，已经很难让人觉得新鲜。ChatGPT、Gemini、Claude早就支持图片输入，Google的多模态甚至已经做到了视频，DeepSeek现在才给V4加上Vision，怎么看都有点像是在补课。
而且严格来说，这也不是DeepSeek第一次做视觉模型。早在2024年，DeepSeek就发布过DeepSeek-VL，之后还有VL2、Janus这些多模态模型。真正不同的是，这次Vision终于进入了V4这条最核心的模型产品线，不再只是一个单独的研究模型。DeepSeek-V4-Flash-Vision-Exp可以直接处理图片、截图、图表和文档，也支持Tool Calls、Responses API以及Anthropic兼容接口，官方给它的定位也很明确，重点不是普通的图片问答，而是Multimodal Agent。
所以我看到这个模型的时候，第一反应并不是DeepSeek终于把“多模态”这门课补上了，而是想到前几天DeepSeek刚刚发布的Harness。
当时DeepSeek在官网上写了一个很简单的公式：
Agent = Model + Harness
模型负责智能，Harness让模型理解环境、使用工具，并且能够在真实环境里持续工作。现在再加上Vision，这个公式其实又完整了一点。
这几年做AI开发，我越来越明显地感觉到，Agent真正难的地方已经不只是模型够不够聪明，也不是会不会调用工具，而是它做完一件事情以后，能不能知道自己到底做成什么样了。
这恰恰是Vision对Agent真正重要的地方。
一、DeepSeek以前看不见，为什么Coding Agent照样很强？
这个问题其实挺有意思。
如果Vision是Agent非常重要的能力，那么DeepSeek V4过去一直只能接受文本输入，为什么它的Coding Agent能力还可以做得这么强？
原因是软件开发本来就是一个非常特殊的场景，大量信息天然就是文字。
Agent打开项目，读取的是代码；修改程序，操作的是文件；运行程序，看到的是Terminal；测试失败以后，返回的是错误日志。一个后端程序从修改代码、运行测试、发现错误，再到继续修改，整个反馈过程几乎都可以变成Token。
所以在这种环境里，AI其实并不需要真正“看见”什么。
DeepSeek自己做Harness的时候，甚至专门提供了一个Minimal Mode，只给模型一个Shell和一个文件编辑器，用这种极简环境来测试模型本身的Agent能力。V4 Flash此前在Terminal Bench 2.1已经做到82.7，新Vision版本进一步到了83.9。
但我自己在用AI做前端开发的时候，会很明显地遇到另外一个问题。
现在AI写React、Vue或者Flutter页面都已经没有太大问题，给它一个需求，它可以自己修改代码、启动程序，甚至发现编译错误以后继续修改。但代码最终在浏览器或者手机上变成什么样，它以前其实是不知道的。
比如一个按钮偏了，文字换行了，图片被拉伸了，某个弹窗挡住了下面的内容，这些问题都不会出现在Terminal里。
最后还是需要我看一眼，然后告诉它：“这里不对，再改一下。”
从这个角度看，人虽然已经不用自己写代码了，却仍然没有真正退出这个流程，因为人在给Agent充当眼睛。
这也是为什么我觉得DeepSeek这次补Vision，比“终于支持图片输入”要重要得多。
二、Agent真正需要的不是识图，而是知道自己做完以后发生了什么
我们以前理解多模态，经常是从Chatbot的角度理解的。
拍一张冰箱的照片，让AI告诉我里面有什么；上传一张财报，让它解释图表；旅游的时候拍一张菜单，让它翻译成中文。这些当然都是Vision的用途，但对于Agent来说，其实还有一个完全不同的需求。
Agent会行动，而行动会改变环境。
比如让AI订一张机票，它点击搜索以后，网页会出现新的结果；选择航班以后，又会进入新的页面；填写乘客信息以后，还可能弹出确认框。AI每做一步，都必须重新知道现在页面变成了什么样，否则它根本不知道下一步应该做什么。
OpenAI早期做Computer-Using Agent时，整个机制就是这样：模型先通过截图感知当前页面，进行推理以后操作鼠标和键盘，然后再拿到一张新的截图，继续下一轮判断。它实际上一直在重复“看一眼—做一下—再看一眼”的过程。
这和我们使用电脑其实没有本质区别。
我现在写这篇文章，如果点了一下保存按钮，也会下意识地看看页面有没有出现“保存成功”；改完一个网页，也会刷新以后看看结果。如果操作以后完全闭上眼睛，只按照自己脑子里想象的状态继续点下去，很快就会出问题。
AI Agent也是一样。
所以Vision对于Agent真正重要的，不是让它知道“一张图片里有什么”，而是让它知道：
我刚才做完这件事情以后，现在变成什么样了。
这个区别看起来不大，但它其实决定了Agent能不能形成真正的闭环。
以前做一个前端页面，流程可能是AI写代码，我看结果，再让AI修改；以后更完整的Agent则可以自己写代码、打开浏览器、截图、对照设计稿，发现差异以后继续修改，再重新截图检查。
人是不是可以彻底退出，今天当然还做不到，但至少少了一次必须由人完成的信息转换。
三、把V4、Harness和Vision放在一起，事情就变得有意思了
如果只看DeepSeek这次发布Vision，很容易理解成它终于开始追赶GPT、Gemini和Claude的多模态能力。但把过去几个月DeepSeek做的事情放在一起，我觉得看到的东西不太一样。
4月份发布V4的时候，DeepSeek已经把Agentic Coding作为一个重点能力来介绍，V4 Flash虽然比Pro小很多，但在简单Agent任务上已经能够接近Pro，而且速度更快、价格更低。DeepSeek当时还特别提到，V4已经被用于公司内部的Agentic Coding。
到了8月份，DeepSeek又自己做了Harness。
这件事情我之前专门写过。模型再强，如果怎么读代码、什么时候调用工具、如何管理上下文、失败以后怎么恢复这些事情做得不好，最后的Agent体验还是会有很大差别。所以DeepSeek不再只训练模型，而是开始往模型外面再走一层，把工具、Skills、Session、Sandbox、Subagent、Workflow这些能力都放进自己的Harness里。
现在Vision也来了，同时还有Files API。
一张图片可以先上传，然后在后面的Agent任务中反复引用；Responses API也可以直接接收图片。这意味着DeepSeek现在开始把以前分开的几件事情接起来：模型负责推理，Harness负责调用工具和执行任务，Files保存任务需要的信息，Vision则负责理解那些没有办法直接变成文本的环境状态。
当然，我并不认为这意味着DeepSeek已经有了一套完整的Computer Agent。Harness还是Developer Preview，Vision名字后面也还有一个Exp，现在连正式版都算不上。
但DeepSeek的方向已经越来越清楚了。
过去我们关注DeepSeek，更多是在讨论它的模型本身：参数多少、Benchmark多少、价格比OpenAI和Anthropic便宜多少。现在这些事情依然重要，但DeepSeek开始越来越多地解决另外一个问题：
怎么让模型真正把一件事情做完。
这其实也是整个AI行业过去一年最大的变化之一。
四、Vision放在Flash上，可能比跑分更值得关注
DeepSeek这次公布了不少Benchmark，Vision版本在ApexBench Pass@1上是36.5，Agents’ Last Exam是27.3，Chartography是64.3，ZeroBench Pass@5是35.0。与Claude Opus 4.8相比，这四项视觉相关评测是两项领先、两项落后，DeepSeek因此说自己的Multimodal Agent能力已经“接近Opus 4.8”。不过这些目前主要还是DeepSeek自己公布的数据，而且在NL2Repo、DSBench-Hard这样的任务上仍然存在比较明显的差距，所以现在就说DeepSeek视觉能力已经追平Claude，还为时过早。
相比这些跑分，我反而更关注另外两个数字。
第一个是这个Vision模型没有放在Pro上，而是放在了V4 Flash上；第二个是图片经过处理以后，每张最多只计算384个输入Token。
这两个选择很符合DeepSeek一直以来的思路。
普通用户和AI聊天，看一张图片可能只调用一次，但Agent不是这样。一个浏览器Agent完成一次任务，可能需要看几十次页面；一个前端Agent为了把页面调整到正确状态，也可能不断截图、比较、修改，再截图。如果每看一次都很贵，那么视觉能力再强，也很难真正放进大规模的Agent工作流里。
所以进入Agent时代以后，模型价格真正应该比较的，可能也不是单纯的每百万Token多少钱，而是完成一件事情最终需要多少钱。
这里面既包括模型能力，也包括成功率、执行轮数、缓存、Harness效率，现在又多了视觉成本。
这也是为什么DeepSeek把Vision先放进Flash很值得关注。它未必是在急着证明自己拥有世界上最强的视觉模型，更像是在继续做DeepSeek过去一直做的事情：把一个原本比较昂贵的能力，压到可以被大量调用的位置。
五、看得见以后，离真正“做完事情”还有很远
当然，有了Vision也不等于Agent就真的会用电脑了。
OpenAI早期的Computer-Using Agent已经拥有视觉、推理以及鼠标键盘操作能力，但在OSWorld这个真实电脑操作Benchmark上的成功率也只有38.1%，人类则是72.4%。原因并不难理解，看懂一个页面、知道按钮在哪里，与连续几十步都不出错，本来就是两件完全不同的事情。
一个Agent如果连续执行20步，每一步都只有一点点出错概率，最后累积起来也可能让整个任务失败。再加上网页弹窗、网络延迟、界面变化、验证码、权限和各种没有预料到的情况，真实世界远比Benchmark复杂。
所以我觉得，DeepSeek这次Vision真正值得关注的地方，并不是它已经把Computer Agent做成了，而是它终于补上了此前一个很明显的缺口。
这几年我们一直在给AI做一个越来越聪明的大脑。模型会推理、会写代码、会规划任务；随后又给它接上工具，让它可以搜索、读文件、运行程序。到了Agent这一步，它还必须能够感知自己的行为给外部世界带来了什么变化，否则再聪明的大脑，也很难独立把事情一直做下去。
从V4到Harness，再到这次Vision，DeepSeek正在把这些东西一点点接起来。
过去我们比较模型，总是在问谁回答问题更好；进入Agent时代之后，真正重要的问题可能会慢慢变成：它能不能自己看到发生了什么，发现事情没有按照预期发展以后继续修改，直到最后真的把结果交出来。
从这个角度看，DeepSeek这次补上的确实不只是多模态。
它开始给自己的Agent，补上一双眼睛。
