DeepSeek-v4-flash-vision-exp

原文 ↗ Hacker News 讨论 ↗

DeepSeek 发布了其 V4 Flash 模型的实验性视觉增强版本，这引起了依赖它进行编码、UI 工作和需要“看见”截图、文档与设计的 agent 工作流开发者的关注。评论者强调其出色的成本效益，以及在前端 QA、OCR 和空间推理等任务上的自主性提升，但也指出了关键限制，例如 800×800 的图像缩放上限、偶发的基础视觉失败（如读时钟或识别地标），以及对近期价格变化的担忧。许多人预计通过 harness 级别的绕过方法（裁剪、放大工具、外部视觉模型）和未来模型迭代，可以解决保真度和可靠性方面的差距。

视觉能力与行为

  • DeepSeek V4 Flash 之前曾“表现得像”具备视觉能力，会尝试用纯文本技巧处理截图；新的 vision-exp 模型被认为是在修补这一缺口。
  • 有人指出它仍然处于实验阶段，并不是“旗舰”视觉系统，更像是一个快速/廉价、以编码为导向但现在支持图像的模型。

图像分辨率限制（800×800）与绕过方法

  • 图像会被缩放到约 800×800 等效大小，每张图上限约 384–400 个 token；成本估算显示每美元大约可处理 2,500 张图。
  • 很多人认为 800×800 对于密集内容来说太低了（A4 页面、原理图、微小文字、细节丰富的图表）。
  • 也有人认为对于截图或小裁剪已经够用，而且工具链可以补足：
    • 使用裁剪/放大工具，或将图像切成网格后再拼接结果。
    • 使用单独的布局/OCR 模型（例如 PP‑DocLayout、Unlimited‑OCR）来拆分页面。
  • 围绕这些 harness 绕过方法是否能保留全局关系与计数准确性，存在争论。

视觉用途

  • 常见的“不错”用途包括：
    • 前端/UI 开发循环（来自 Playwright/无头浏览器的截图、Figma 检视、验证布局）。
    • OCR / 扫描文档和 CV 照片；提取文本，同时可选择“修正”或保留错误。
    • 图表、示意图、设计草图、线框图、游戏 UI、通过手绘学习并让 AI 纠正。
    • 社交媒体 alt 文本、卫星图像研究、机器人感知、3D 打印监控、通过超小字体 PNG 进行上下文压缩。

质量、基准与失败

  • 基准测试：据报 DeepSWE 分数略高于之前的纯文本 Flash，在成本/性能上明显优于某些竞品模型。
  • 一些用户称赞 DeepSeek Flash 相比同价位模型在持续性、验证和工具使用方面更好；也有人报告输出不连贯以及工具调用效果很差（可能与量化/ harness 问题有关）。
  • 视觉准确性参差不齐：
    • 在“读钟表”测试中失败或表现不稳定；对某些模拟时钟时间的判断出错，而竞争模型也常会误读。
    • 在地标识别上不如部分对手（例如会混淆大教堂/桥梁）。
    • 多位评论者强调“锯齿状智能”：在编码和许多视觉任务上很强，但在某些边缘情况上不可靠。

开放性、生态与替代方案

  • 预期（但此处未确认）权重可能会发布，这与 DeepSeek 以往做法一致。
  • 有人建议通过 MCP 或插件接入外部视觉模型。
  • 由于 DeepSeek 价格变化，尽管对其能力很看好，一些用户正在转向其他模型（例如 Qwen）。