DeepSeek小模型长了眼睛，Agent基准干翻顶级闭源模型

DeepSeek轻量多模态模型V4-Flash-Vision-Exp，在Agent基准测试中击败顶级闭源模型，视觉与文本性能双优且成本可控。
核心内容：
1. 多维度基准测试成绩优异，Agents' Last Exam、ZeroBench等超闭源模型
2. 视觉能力叠加后文本性能未降，DeepSWE、Toolathlon等任务成绩提升
3. 轻量架构+成本控制，Agent工作流能力增强，多场景实用价值显著

8月21日，DeepSeek正式发布V4-Flash-Vision-Exp——V4-Flash的多模态视觉实验版。名字里带个"Exp"，但跑出来的数据一点不像实验品。

先来看最惊人的数字。在专门用于测试Agent综合能力的基准Agents' Last Exam中，V4-Flash-Vision-Exp获得了27.3分，而Opus-4.8仅为25.7分。在ZeroBench上情况相同，35.0对比34.0，小模型胜出。别小瞧这一两个百分点的差距——这可是一家以性价比闻名的公司，其“Flash”级别的轻量模型，在多模态Agent赛道上正面战胜了目前公认最强的闭源模型。

更值得关注的是，在增添了视觉能力后，文本性能并未出现下降。这在多模态模型中实际上难以达成。许多模型在加入图片理解功能后，纯文本任务会呈现出不同程度的退化，就如同一个人同时学习两门外语，其母语水平反而有所降低。V4-Flash-Vision-Exp在Terminal Bench、DeepSWE、Toolathlon这些纯文本Agent基准测试上，成绩与V4-Flash-0731基本保持一致，其中DeepSWE的成绩甚至从54.4提升至59.3，Toolathlon的成绩从70.3提升至75.9。增添了视觉能力，其处理文本的能力也变得更加灵活高效。

这背后的技术逻辑值得拆解。V4-Flash本身就是Flash级别的轻量架构，推理速度快、成本低。在此基础上叠加视觉能力，每张图片最多消耗384个token，定价和纯文本V4-Flash一样。对比那些动辄上千token图片编码的大模型，这个成本控制相当激进。同时上线的Files API还是免费的——上传一次图片，拿到file_id，后续请求直接引用，不用反复传。这对需要处理大量图片的Agent工作流来说，省的不只是钱，还有延迟。

说到Agent工作流，这才是这次发布真正瞄准的战场。纯看聊天能力，多模态大模型早就够用了。但Agent需要的是"看懂图→理解意图→调用工具→完成任务"这条完整链路。V4-Flash-Vision-Exp在ApexBench上从26.2跳到36.5，涨幅接近40%，说明它不只是能看图，而是能把视觉信息有效地融入决策过程。官方演示里，模型分析一张复杂的西藏远征营销长图，从视觉元素到文案意图到营销策略，一气呵成。这种能力放在电商运营、数据分析、自动化办公这些场景里，实用价值远超聊天机器人。

当然也要说清楚局限。名字里带"Exp"不是客气，这确实还是实验版。在NL2Repo、DSBench-Hard这些任务上，和顶级闭源模型还有明显差距，Cybergym甚至比上一版微跌。Agent能力的全面提升不是一夜之间的事，但方向已经很清楚了。

我的判断是：V4-Flash-Vision-Exp的意义不在于全面超越谁，而在于证明了一件事——多模态Agent能力的门槛正在被迅速拉低。以前你想要这种级别的视觉理解和Agent协作，要么用顶级闭源模型烧钱，要么等开源社区慢慢追。现在一个Flash级别的模型就能做到，而且API定价没涨。这对整个行业的压力是实打实的：当小模型也能干大模型的活，靠卖算力赚钱的逻辑就要重新算账了。

同期发布的DeepSeek Harness 0.1.1也透露了野心——不只是做模型，还要做Agent开发的基础设施。模型加框架，这是要建生态的意思。

转发、点赞、收藏。

THANKS FOR READING

⚡ 爱马仕 · Hermes Agent 技术分享

登录查看剩余 70% 内容