游戏产业观察 — 全球游戏产业资讯、出海动态与深度分析

<figure><img src="https://img.huxiucdn.com/ai/ai-general-cover/202608/25/33125-prod-nb2ep-general-1-1787650313643.png?imageView2/1/w/1440/h/810/|imageMogr2/strip/interlace/1/quality/85/format/png" /></figure>鲸鱼还是“开眼”了。经过四个月的千呼万唤，DeepSeek终于补上多模态能力，推出了全新的视觉理解模型DeepSeek-V4-Flash-Vision-Exp。梁文锋滑动变阻器，也向着“梁圣”的方向又拨动了一格。相比V4 Flash，Vision-Exp最大的变化，就是原生支持图片输入，终于可以直接认人、读截......本文来自微信公众号：<a href="https://mp.weixin.qq.com/s?__biz=Mzg5NTI0NjU3NQ==&mid=2247498792&idx=1&sn=6ce7470d37e54f284681db0b62fe5445&chksm=c1613bcd653303a84442782566e4080788438158f60bdf92068dfea8dcbae79906a03b7307b3#rd" rel="nofollow" style="text-decoration: none;" target="_blank"> 蓝字计划 </a>，作者：周末鲸鱼还是“开眼”了。经过四个月的千呼万唤，DeepSeek终于补上多模态能力，推出了全新的视觉理解模型DeepSeek-V4-Flash-Vision-Exp。<figure><img height="301" src="https://img.huxiucdn.com/article/content/26-08-25/84a751d6-51dd-4413-a93f-465b5139a6cf.png" width="573" /></figure>梁文锋滑动变阻器，也向着“梁圣”的方向又拨动了一格。相比V4 Flash，Vision-Exp最大的变化，就是原生支持图片输入，终于可以直接认人、读截图、看图表。价格方面，也还是熟悉的DeepSeek风格。一张图片最多只会折算成384个输入Token，即使按照高峰期价格计算，只需要花一分钱，就可以请它帮忙看8张图，看看图里都有什么。终于补上了DeepSeek长久以往的一块短板，价格又依旧是“梁心”价，外界对DeepSeek这双刚装上的“眼睛”自然期待拉满。只是，如果只看网上的口碑，不少用户实测之后，留下的评价却只有四个字：“效果一般”。跑分很美，评价一般不知道梁文锋上不上知乎，但当我刷到一个叫做《怎么评价DeepSeek-V4-Flash-Vision-Exp发布，多模态能力表现如何？》的帖子时，我只想对梁文锋说：恶评，别看！<figure><img height="205" src="https://img.huxiucdn.com/article/content/26-08-25/3a80bc4c-908d-434f-ae36-043c97660ffb.png" width="673" /></figure>知乎网友发文帖子下面，一个拿到1366个赞的回答先说：“她不一样，她是一个好模型。”随后话锋一转，又给Vision-Exp安排了一个“好赌的爹”、一个“生病的妈”和一个“上学的弟”，最后得出结论：“所以她破碎是可以原谅的。”这条回答其实没有直接说Vision-Exp不好，甚至先夸它是个“好模型”。可从“好赌的爹”到“破碎也可以原谅”，怎么看都不太像是在夸奖。这样的评价，和这款模型的官方跑分其实挺割裂。官方数据显示，Vision-Exp基本保留了V4-Flash原有的Agent、推理和世界知识能力。在需要视觉理解的Agent Benchmark上，它的多模态Agent成绩已经接近Anthropic的头牌Opus 4.8。<figure><img height="881" src="https://img.huxiucdn.com/article/content/26-08-25/61788d29-860e-4573-aa4c-3e1b7e998e3b.png" width="1080" /></figure>图源：DeepSeek官方账号跑分都快摸到A社头牌了，怎么到了网友手里，就“破碎”？这就不得不提几个最有节目效果的网友实测了。最先翻车的，是最简单也最有节目效果的认人。有人把梁文锋的照片发给Vision-Exp，问它“这是谁”。结果DeepSeek盯着自己的“老爸”看了6秒，十分肯定地回答：这是美团创始人王兴。换了一张照片再问，它又把梁文锋认成了字节跳动创始人张一鸣。<figure><img height="247" src="https://img.huxiucdn.com/article/content/26-08-25/26cfa15b-30ae-489a-a9f1-86cb03242740.png" width="532" /></figure>网友实测Vision-Exp王兴和张一鸣：人在家里坐，锅从天上来......认一个人都不行了，那要是一张多人的合照呢？有网友把时代少年团的合照交给Vision-Exp，让它说出五个人的名字。DeepSeek这次倒是谨慎了很多，一个名字也没敢猜，最后却得出了一个更加离谱的结论：照片里五个人长得太像，皮肤过于光滑，连手里的提包都有“AI感”，所以这很可能是一张批量生成的假图，里面根本没有真人。别说认出时代少年团了，它甚至开始怀疑时代少年团到底是不是真人。<figure><img height="798" src="https://img.huxiucdn.com/article/content/26-08-25/aa4b2b3d-b897-45da-acba-30abae08b88f.png" width="761" /></figure>网友实测Vision-Exp由此可见，DeepSeek-V4-Flash-Vision-Exp在认人这一块，目前还是个“睁眼瞎”。不过，识人说到底只是娱乐局。但坏消息是，哪怕换成更接近开发者工作的复杂任务，Vision-Exp的问题也没有完全消失。还有网友要求它生成一个Three.js三维场景。最终成品的完整度虽然略优于Gemini 3.7 Flash，但在执行过程中，Vision-Exp反复自我纠错，还出现了多次断联。完成同一个任务，它消耗的Token高出近15倍，耗时也多出3.5倍。<figure><img height="594" src="https://img.huxiucdn.com/article/content/26-08-25/dbd7fdde-b851-4b06-a9e1-b2dd8068c0cc.png" width="576" /></figure>网友实测Vision-Exp只能说，就算跑分里已经摸到了顶级模型，落到真实任务里，Vision-Exp还是处处透着实验版的痕迹。不过纸上得来终觉浅，网上的测试多少会受到图片质量和提示词影响。Vision-Exp到底是不是真的这么拉，恰好DeepSeek Harness也在这时候支持了原生图片请求，我们赶紧自己测了一轮。鲸鱼的大眼睛，还得练我们的测试，先从网上翻车率最高，也最有节目效果的识人开始。不过，这次我们没有单独拿一张人物照片考它，而是给了Vision-Exp一张AI合成的梗图。画面把梁文锋、马斯克和奥尔特曼等一众硅谷大佬放到了一起，身后竖起来的，是一个带有DeepSeek Logo的白旗。实际上，这个构图的出处可是大有来头，它复现的是2024年7月特朗普在宾夕法尼亚州巴特勒遭枪击后，被特勤人员护送时高举拳头的名场面。所以，这个测试丢给DeepSeek，就不只是看模型能不能识别人。它还得弄清楚三个人为什么会出现在同一张图里，这张图到底在玩什么梗。从最终的结果来看，Vision-Exp确实认出了梁文锋和马斯克，还描写了两人的外貌特征，并根据人物身份，推测这张图是在调侃DeepSeek给美国AI行业带来的冲击，当然这个结论多少有点望文生义的味道了。<figure><img height="959" src="https://img.huxiucdn.com/article/content/26-08-25/67705373-d06d-477e-96e6-7fae42c4c94f.png" width="759" /></figure>Vision-Exp确实认出了梁文锋和马斯克不过，一旁也比较明显的的OpenAI CEO奥尔特曼，V4-Flash-Vision-Exp没有人出来，还把他判断成了“AI生成的陪衬”。而把同一张图片交给豆包，它倒是把三个人都认全了。<figure><img height="630" src="https://img.huxiucdn.com/article/content/26-08-25/d9006e77-eea5-459b-868d-22f5d2f7b841.png" width="994" /></figure>还得是你豆包不过可惜的是，无论是Vision-Exp还是豆包，都没有在识别人脸的过程中把这个图背后真正的梗识别出来。这只说明了除了机械的识人之外，模型其实还不够聪明。那如果画面里没有特征鲜明的人物，换成一张普通风景照呢？实测证明，Vision-Exp对景物的识别和描写干得也不错。<figure><img height="978" src="https://img.huxiucdn.com/article/content/26-08-25/1c8d5bcf-c2b1-4af1-94f4-4a85b61fdd7a.png" width="759" /></figure>Vision-Exp对景物的识别和描写干得也不错我们给了它一张成都安顺廊桥的照片。它不仅认出了具体地点，还能分清画面里的时间、光线和空间关系：夕阳从云层里透出来，廊桥横跨河面，水中留下金色倒影，桥后则是现代高楼。它甚至还能顺着画面继续介绍安顺廊桥的历史，或者把描写整理成一段可以直接发到朋友圈和小红书的文案。或者我们需要给他再上上难度：根据截图，复刻网页。根据截图复刻网页，是多模态编码Agent最有工作价值的能力之一。现实中的开发者经常拿到一张设计稿或者页面截图，然后要求模型看懂结构，再把它写成真正可以运行的网页。这次，我们特地选择了幻方量化官网中“算力随时待命”的页面。<figure><img height="528" src="https://img.huxiucdn.com/article/content/26-08-25/ca58b09f-e091-4174-9795-41b51d927453.png" width="1080" /></figure>幻方量化官网这张图看上去只是一个深色科技风网页，里面却塞进了不少细节。左边是一套多层流程图，包含不同颜色的模块、连接线和节点；右边则有正文、切换标签和性能数据，旁边还有一列导航栏。模型既要看懂各个元素之间的位置关系，还得处理小字号文字、色块渐变和复杂排版，最后再用代码把整张页面搭出来。Vision-Exp最终完成了网页的整体框架。左边有流程图，右边有说明文字，底部的性能数据也基本都在。<figure><img height="408" src="https://img.huxiucdn.com/article/content/26-08-25/ac98101c-8691-48f1-8d88-23e8eeaca30a.png" width="1080" /></figure>页面结构搭起来了但仔细看就会发现，色块边缘和小图标都被明显简化，一些文字也没有待在该在的位置。页面结构虽然搭起来了，距离“一比一复刻”还有不小差距。为了判断究竟是任务本身太难，还是Vision-Exp确实差了一截，我们又把最近大热的GLM-5.3拉了进来，让它按照相同的截图和要求复刻一次。GLM-5.3生成的页面观感明显更完整。流程图的层级更清楚，右侧文字基本待在正确的位置，各个模块也没有挤成一团。<figure><img height="647" src="https://img.huxiucdn.com/article/content/26-08-25/faea279f-389c-47cc-b37b-8464ecc0d5ef.png" width="1080" /></figure>GLM-5.3随后，我们又加入了同样以编码和Agent能力见长的Kimi K3。<figure><img height="430" src="https://img.huxiucdn.com/article/content/26-08-25/4f5106fb-1507-41ef-8de5-f4bd0e2e02ba.png" width="1080" /></figure>Kimi K3Kimi K3不仅还原了页面结构，还做出了原图里的色块渐变和发光效果，模块之间的层次也更加接近原图。把三张页面放到一起，差距就比较明显了。总的来说，Vision-Exp已经可以把视觉理解和代码生成串起来。拿它快速验证一个想法、做个可交互Demo，或者先把页面骨架搭出来，确实有实际价值。只是在人脸识别、复杂网页复刻和最终呈现上，它与GLM-5.3、Kimi K3仍然存在明显差距。不过，DeepSeek似乎也没有准备把它包装成一个完成度很高的正式产品。毕竟，模型名字最后还挂着一个“Exp”。一个明显没有完全打磨好的实验版，为什么会被DeepSeek提前端上来？端了个半成品上来DeepSeek自己显然也知道，Vision-Exp还没有完全打磨好。毕竟，模型名字最后那个“Exp”，已经把“实验版”三个字写在了脸上。那DeepSeek为什么不再等等，非得先把一个半成品端上来？从它选择的底座来看，DeepSeek这次更像是把V4-Flash当成了一块多模态试验田。V4-Pro拥有1.6T总参数和49B激活参数，V4-Flash则只有284B总参数和13B激活参数。后者原本就是一款更快、更便宜的模型，简单Agent任务的表现却能接近Pro。<figure><img height="623" src="https://img.huxiucdn.com/article/content/26-08-25/6484596d-d924-4ce0-925b-c6db8e387251.png" width="572" /></figure>图源：DeepSeek官方账号把视觉能力先放到Flash上，更容易控制好图片带来的额外成本。调用价格足够便宜，开发者才愿意大量拿图片去测试，把它塞进各种Agent工作流里。这个实验版的价值，也会在这些真实任务中慢慢显现出来。认错梁文锋、看不懂梗图、复刻网页时丢失细节，这些问题很难只靠跑分发现。模型先被放出来，开发者替DeepSeek把各种稀奇古怪的图片和任务跑一遍，正式版该补哪些地方，也就有了一张更加具体的问题清单。而且，Vision-Exp没有直接取代原来的V4-Flash。需要稳定处理纯文本任务的用户，依然可以继续使用旧模型；想要尝鲜多模态的开发者，则可以主动切换到Vision-Exp。<figure><img height="1143" src="https://img.huxiucdn.com/article/content/26-08-25/88cc8d6c-638b-43f3-8f3f-bb7399e98ad7.png" width="1080" /></figure>网友发文一边继续干活，一边开放试验，互不耽误。这种做法，DeepSeek以前其实玩过一次。2025年9月，DeepSeek推出V3.2-Exp，用一个实验版本验证全新的DSA稀疏注意力机制。直到两个多月后，V3.2正式版才接过它的位置。<figure><img height="52" src="https://img.huxiucdn.com/article/content/26-08-25/3bd8607f-bf10-4ee7-92dd-671cbd9b1fdd.png" width="576" /></figure>网友发文所以从DeepSeek过去的发布习惯来看，Vision-Exp现在更像是一场公开测试。先让这双眼睛睁开，看看真实世界里会出现什么，再决定正式版该怎么改。只不过，认错自己老爸、把真人当做AI，也不太会看是认识梗，这些也说明DeepSeek在多模态这块还有不少进步空间。到了端上正式版的时候，网友们估计就不再会那么宽容了。<figure><img height="757" src="https://img.huxiucdn.com/article/content/26-08-25/6e1616a9-f74c-4f27-b872-2beb0ae85ecd.png" width="1080" /></figure>网友发文到时候，梁文锋的滑动变祖器，又会停在哪一端呢？参考资料：[1]极客公园：DeepSeek上线多模态，我用它做了《牛来》小游戏[2]差评X.PIN：DeepSeek的多模态模型，憋了这么久终于来了。。。[3]字母榜：说好“多模态不是主线”的梁文锋，怎么转头就发了个Vision模型？[4]Tech星球：DeepSeek不是“老大”了？一张图拉开40倍Token成本差，“视力”却输给豆包？[5]APPSO：刚刚，DeepSeek Harness重磅更新，多模态能力增强；DeepSeek多模态模型发布，鲸鱼终于开「天眼」了[6]智东西：昨夜，DeepSeek Harness首发新版本：14项更新，多模态能力拉满！DeepSeek多模态模型终于来了！一张图最高只要0.001元

实测“开了眼”的DeepSeek：认得马斯克，认不出梁文锋

📌 概要