DeepSeek 上线多模态，我用它做了《牛来》小游戏｜AI 上新

多模态也是「梁心」地板价。

作者｜Wildcard

编辑｜靖宇

8 月 21 日，DeepSeek 官方正式宣布上线 V4-Flash-Vision-Exp，开启多模态 API 服务。在用户尚未完全适应其计费调整之际，DeepSeek 迅速补上了多模态能力的短板。极客公园随即对该模型进行了深度实测。

DeepSeek 在微信公众号发布公告，全新的多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp正式上线 API 平台。开发者可通过设置 model='deepseek-v4-flash-vision-exp'直接调用，支持 base64 内联、外部 URL 及 Files API 三种图片传入方式。

名称中的「Exp」后缀暗示这仍处于实验阶段，但从官方数据看，该模型有几个关键特性值得关注：

DeepSeek 官方给出的数据｜图片来源：DeepSeek

定价极具竞争力。其定价与 V4-Flash 保持一致，单张图片最多占用 384 个 token，无额外视觉处理溢价。相比之下，GPT 和 Claude 处理同等分辨率图片通常消耗 800 至 1100 个 token。DeepSeek 的 token 开销不足竞品一半，这得益于其「Thinking with Visual Primitives」框架，该框架将视觉元素压缩为空间坐标式原语，而非传统的图像 patch 拆分。

纯文本能力未降级。官方数据显示，在 Agent、推理及世界知识等纯文本基准测试中，Vision-Exp 与 V4-Flash 正式版持平。这表明它并非牺牲文本能力换取视觉功能的特化模型，而是在 Flash 基础上叠加了视觉理解能力。

多模态 Agent 能力「已接近 Opus-4.8」。这是官方公告中最引人注目的表述。在需要视觉理解的 Agent Benchmark 上，Vision-Exp 相比纯文本版 V4-Flash 实现了显著跃升。

同步上线的Files API接口本身免费，允许开发者上传图片获取 file_id 后在请求中直接引用，避免了重复传输。对于需反复分析同一批图片的 Agent 工作流而言，这是一项实用的优化。

2026 年暑假现象级动画电影《牛来》，因其粗糙的 3D 建模被网友戏称「连 AI 都生成不出来」。极客公园决定以此为首个测试对象：将经典「妈妈」特写截图输入 DeepSeek Vision，要求其通过纯代码绘制「AI 重制版」。

对比图_牛来重制.png—— 左边原片截图，右边 AI 重制版｜图片来源：极客公园

DeepSeek 的表现令人惊喜。它不仅准确识别了牛的橙色配色、皱眉、厚唇及「既凶又委屈」的表情，还保留了底部字幕。输出的 SVG+CSS 代码渲染出一头具有渐变光泽和圆润线条的卡通牛，风格从「恐怖谷」转变为「萌系」。

整个过程耗时 35 秒，仅消耗 384 个 token。

进一步测试中，我们将两头牛面对面的截图输入模型，要求其编写可交互的跑酷小游戏。DeepSeek 提取了角色形态与配色，用 CSS 绘制了像素风角色，并搭配了天空、草地、障碍物及计分系统。从识图到输出完整可玩的 HTML 游戏，全程仅用时 36 秒。

牛来跑酷游戏｜图片来源：极客公园

此 Demo 虽无直接生产力价值，但有力证明了视觉理解与代码生成能力的叠加，能极大拓展 AI 的应用边界。

第二个测试模拟真实工作场景：将一张包含深色渐变背景、导航栏、语法高亮代码区及双按钮的支付产品 Landing Page 设计稿截图输入模型，要求直接输出可运行的 HTML。

对比图_看图写代码.png—— 左边设计稿，右边 AI 生成的 HTML 页面｜图片来源：极客公园

26 秒后，DeepSeek 输出了完整的响应式 HTML 页面。渐变背景、布局、按钮样式及代码高亮颜色均精确匹配，甚至自主添加了 hover 动效和入场动画。

这一能力直击 Agent 核心场景：当 AI 需操作浏览器、解析网页结构或将设计稿转为前端代码时，视觉理解已从「锦上添花」变为「必要条件」。

注意：需关闭 Thinking 模式

测试中也发现了一个关键问题：在默认 thinking 模式下，模型的推理 token 会急剧膨胀，导致输出预算被完全占用。在场景理解测试中，2001 个 completion token 全部为 reasoning token，实际输出为零。

解决方案是设置 reasoning_effort: "none" 关闭思考模式。关闭后，同一测试耗时从 23 秒缩短至 7.9 秒，且输出完整高质量。这是继 V4 Pro 之后再次复现的问题，开发者务必注意：在视觉任务中，请关闭 thinking 模式或设置足够大的 max_tokens，以免得到空响应。

DeepSeek 选择在 Flash 而非旗舰 Pro 模型上率先试水视觉能力，是一个值得深思的产品决策。

成本考量：Flash 作为 284B 参数的 MoE 模型，推理成本远低于 1.6T 参数的 Pro。鉴于每张图片至少占用 384 个 token 的输入预算，若叠加在 Pro 的高昂定价上，成本将难以控制。Flash 的低基价使得多模态调用在经济上具备可行性。

生态协同：就在前一天，DeepSeek Harness 框架发布 RC.8 版本，新增原生图片请求支持。Harness 在框架层打通管道，Flash Vision 在模型层补齐引擎，两者共同指向一个目标：让 DeepSeek 生态里的 Agent 真正「看得见」。

回顾过去四个月，从灰度识图、网页端开放、App 全量上线，到 Harness 框架支持及 Flash Vision API 开放，DeepSeek 的每一步都精准衔接。虽未召开发布会，但带有「Exp」后缀的模型名已悄然推开多模态的大门。

对于开发者而言，等待已经结束。尽管目前仍是实验版本，但对于构建多模态 Agent 的团队来说，一个 token 消耗不到竞品一半、且纯文本能力无损的视觉模型，无疑是当下性价比最高的选择。最后提醒：使用时请记得关闭 thinking 模式。