DeepSeek V4 Flash Vision Exp 登場：平價視覺模型，真係接近 Claude Opus 4.8？

對做 Agent 的團隊嚟講，呢個改動幾實用：Agent 可以先讀取瀏覽器截圖、圖表、掃描文件或其他視覺資料，再決定下一步要呼叫邊個工具。DeepSeek 亦提供 Codex 接入方式，並將 Vision Exp 列為支援圖片輸入的選項。

DeepSeek 表示，DeepSeek Harness 0.1.1 已經加入對呢款模型的支援，令佢可以更直接接入 Agent 工作流程。 至於 GitHub Copilot，DeepSeek 的官方文件目前只列出 V4 Pro 及 V4 Flash 作為 Copilot Chat 的模型選項；文件所講的圖片處理，係由另一個已安裝的 Copilot 模型代為描述，因此未能證明 Vision Exp 已直接出現在該模型選單之中。

表現幾吸引，但驗證仍然有限

DeepSeek 最核心的宣傳係：Vision Exp 保持 V4-Flash 的文字表現，同時喺需要視覺理解的多模態 Agent 基準測試中大幅進步，表現「接近 Claude Opus 4.8」。

部分報道引述過幾個單項分數，包括 Chartography 64.3、ApexBench Pass@1 36.5、Agents’ Last Exam 27.3，以及 ZeroBench Pass@5 35.0。不過，呢啲數字主要來自二手報道轉述 DeepSeek 的發布資料，未有附上足夠詳細、可由外部重現的跨供應商評測方法。

所以，「接近 Opus 4.8」唔等於：

• 模型整體擊敗 Claude；
• 每一類任務都同 Opus 4.8 一樣；
• 生產環境的穩定性及可靠性已經相同。

現有資料亦未提供一套中立測試，確保 DeepSeek 同 Anthropic 使用完全相同的提示、工具環境、延遲條件、失敗率及成本計算。比較時一定要留返幾分，唔好將官方宣傳句式當成定論。

目前最穩妥的結論係：DeepSeek 確實推出咗一款有文件支持、能夠處理圖片的 API 模型；而官方數據就顯示，佢喺需要視覺輸入的任務上，較純文字版 V4-Flash 有明顯進步。至於佢同 Claude、OpenAI、Google 或其他中國 AI 實驗室的實際位置，仍然未經獨立測試確認。

價錢：牌面上平好多

現有模型列表顯示，Vision Exp 的輸入價格為每 100 萬 tokens 0.22 美元，輸出價格為每 100 萬 tokens 0.66 美元，內容長度為 100 萬 tokens。 DeepSeek 官方價格文件確認 API 以每 100 萬 tokens 計價，並將 deepseek-v4-flash-vision-exp 列入模型表。

圖片亦會轉換成 tokens，再計入 API 費用。有報道引述 DeepSeek 公布的指引指，一張圖片最多可佔 384 tokens，而 Vision Exp 沿用 V4-Flash 的計價結構。 因此，實際視覺工作流程要幾錢，唔可以只睇文字 token 價格，仲要睇：

• 圖片數量及尺寸；
• 圖片周邊的文字量；
• 模型輸出長度；
• 是否重複傳送相同上下文；
• 出錯後需要幾多次重試。

Anthropic 列出的 Claude Opus 4.8 標準價格，係每 100 萬個基本輸入 tokens 5 美元、輸出 tokens 25 美元，另外仲有快模式及快取相關收費。

單睇牌面 token 價格，DeepSeek 明顯平好多，係值得開發者試用的理由。但平價唔等於整個項目一定慳錢。如果模型較常出錯、需要重試、工具呼叫失準，或者要額外做圖片預處理，完整工作流程的總成本未必如表面咁低。

DeepSeek Vision Exp 對 Claude Opus 4.8：應該點比較？

兩款模型雖然都有多模態 Agent 使用場景，但定位其實唔同：

• DeepSeek V4 Flash Vision Exp：一款實驗性、以 API 為主的多模態模型，重點係將圖片輸入加入較經濟的 Flash 系列，方便接入圖像加 Agent 工作流程。佢支援 DeepSeek 文件列出的 API 格式，現有 token 價格亦遠低於 Opus。
• Claude Opus 4.8：Anthropic 的旗艦模型，提供可調整的運算力度、快模式，以及較成熟的產品和平台配套；標準價格為每 100 萬輸入 tokens 5 美元、輸出 tokens 25 美元。

DeepSeek 的策略訊息相當清楚：以 Flash 級別的成本加入視覺能力，再聲稱喺多模態 Agent 任務上接近高價前沿模型。Claude 喺呢個比較中的優勢，唔係現有資料已經證明佢喺每個基準都勝出，而係佢的產品成熟度、工具配套及市場定位已經較為確立。

實際選擇應該逐個任務比較。例如，純粹讀取截圖文字或抽取圖表資料，Vision Exp 可能已經提供足夠質素，同時大幅降低 token 成本。但如果係高風險的自主 Agent 工作流程，就要更加關心一致性、工具使用準確度、拒答行為、監察能力、支援，以及出錯後的復原能力。

點解今次發布值得留意？

視覺能力已經唔再只係「問圖片問題」咁簡單，而係逐漸成為 Agent 工作的一部分。寫程式的 Agent 可能要讀取錯誤截圖；瀏覽器 Agent 可能要理解網頁畫面；企業系統亦可能要將文件、圖表及工具呼叫放喺同一個流程之中。

DeepSeek V4 家族本身已經主打長上下文及 Agent 工作負載，而 V4 文件就將 Flash 描述為系列中更快、更經濟的選項。 Vision Exp 延續呢條路線，將圖片理解直接加到多模態 Agent，而唔係另起一款只做圖像問答的模型。

不過，現有證據仍不足以宣告 DeepSeek 已經領先 Anthropic、OpenAI、Google，或者其他中國 AI 實驗室。原因好簡單：目前冇一套獨立、同條件、可公平比較的跨供應商測試，而實驗性 API 版本亦唔等於已經驗證成熟的生產旗艦。

開發者值唔值得試？

值得，但最好用受控測試方式進行。

可以將 Vision Exp、Claude Opus 4.8 及現時生產模型，放喺完全相同的「圖片＋工具」任務中比較，並記錄以下項目：

1. 視覺理解準確度，尤其係細字、表格及圖表；
2. 工具選擇及工具參數錯誤；
3. 唔靠重試或人工修正的完成率；
4. 延遲及輸出長度；
5. 輸入、輸出及圖片 token 成本；
6. 面對模糊、損壞或具誤導性的圖片時，模型點樣失敗；
7. 多次執行及改動提示後的穩定性。

總結嚟講，DeepSeek V4 Flash Vision Exp 係一個可信、價錢吸引，而且開發者介面相對完整的新多模態 API 實驗。佢聲稱多模態 Agent 表現接近 Claude Opus 4.8，確實值得親自測試；但喺有更多獨立結果之前，仍然應該當係一個有潛力的初步訊號，而唔係已經坐實的業界結論。