DeepSeek 近日悄然为旗下 Flash 系列 API 增加了视觉模式功能，引发了开发者社区的广泛关注。据 V2EX 用户披露，目前可用的测试模型名称为 deepseek-v4-flash-vision-exp，标志着 DeepSeek 正式开始向多模态领域扩张，继文本处理能力后补齐视觉短板。此次更新主要针对 API 接口层面的支持，允许开发者在调用时切换至该视觉模型进行测试。从社区反馈来看，这一功能虽然已上线，但目前仍处于实验阶段。有开发者指出，在对话中插入图片后，后续上下文缓存机制可能出现失效（归零）的情况，这可能对依赖长上下文缓存的应用成本产生影响。在实际识别效果方面，首批测试者反馈该模型的图像理解准确率目前表现不佳，甚至出现识别错误的情况。这可能是由于模型尚处于早期实验版本，或是提示词工程优化不足所致。总体而言，DeepSeek Vision 的上线意味着其大模型生态正在从纯文本向图文理解演进，但距离成熟商业化应用仍需经过多轮迭代与性能优化。
事件分析
DeepSeek 推出 Flash 版本的视觉模型，意在低成本、高效率的多模态应用场景中抢占市场。不同于主力推理模型，Flash 系列通常定位为快速响应与低成本调用，此次加入视觉能力，旨在解决目前多模态 API 普遍价格较高的问题，为开发者提供更经济的选择。关于“发送图片导致缓存归零”的反馈，若属实，这暴露了多模态上下文管理的工程难点。在纯文本模型中，KV Cache 能有效降低推理成本，但高分辨率的图像 token 占用巨大，且压缩技术复杂，导致现有缓存策略在引入图像后可能失效。初期识别准确率不高属于预期范围内，作为 -exp 后缀的实验性模型，其核心目的是收集数据以优化视觉 Encoder 与 Language Model 的对齐。此举表明 DeepSeek 正试图构建对标 GPT-4o 的全栈能力，补齐视觉短板是其在模型军备竞赛中保持竞争力的关键一步。
核心观点：DeepSeek切入多模态赛道，低成本视觉能力有望成为AI应用普及的新变量。
原文链接：V2EX 分享发现
评论前必须登录！
立即登录 注册