DeepSeek 终于能看图了！教你免费使用 + 8 大场景实测
大家好，我是程序员鱼皮。
最近 DeepSeek 的活可真是太多了，我对老 D 真是又爱又恨的。。
先是 7 月底放出了 V4 Flash 模型正式版，紧接着 8 月又上线 V4 Pro 正式版，还涨了一波价。与此同时还发布了自家的 AI 工具 DeepSeek Harness，一切皆插件，可玩性极强。
在很多用户吐槽 DeepSeek 不能看图之后，DeepSeek 竟然很快推出了一个船新模型 DeepSeek-V4-Flash-Vision-Exp，名字可真够长的。
我用最直白最不绕弯子的说法告诉你，这个模型就是在 V4 Flash 的基础上，加了一个识图能力 DLC 扩展包，且价格不变！
太好了，蓝色大肥鱼终于能看图了，不用安装任何识图插件，迈出了原生多模态能力的第一步。
那这双「鱼眼」的能力到底怎么样呢？
我准备了大量的测试案例，来一起看看吧。
识图能力测试
这次测试我主要用的是 DeepSeek Harness（DSH）来接入视觉模型，之前我出过一期 《DeepSeek Harness 保姆级教程》，还没用过的朋友建议先去看看，这里我不再重复讲了。
首先需要将 DSH 升级到最新版本，如果你是通过 npm 进行安装的 DSH，通过以下命令进行升级：
▼bash复制代码npm update -g @deepseek-ai/dsh
升级完成后，运行 dsh -V 命令，确认版本号是否为最新。然后接入 DeepSeek 官方的 API，就可以切换到最新的视觉模型了。
1、OCR 文字识别测试
环境准备就绪，先来个开胃菜。我找了一张由 GPT Image 生成的发票，里面故意包含了一处错误，看看视觉模型能不能找出其中的猫腻。
在 DSH 中，你可以直接把图片拖进输入框：
除了拖拽，DSH 也支持通过图片链接或复制粘贴的方式添加图片。
识别结果非常精准，而且我并没有告诉 AI 要找出其中的错误，它也顺便把问题给指出来了，好评。
看来 OCR 文字识别能力没什么问题，毕竟早在去年 DeepSeek 开源的 OCR 模型就已经很强了。
我把同样的图片丢给国外顶尖的 Claude Opus 5 模型，它同样主动找出了发票中的问题。
2、身份识别
接下来我把 DeepSeek 的亲爹梁文锋的照片发给 AI，看看它能不能认出来。
结果模型思考了 1 分 29 秒后，信心满满地告诉我，照片中的人物是泡泡玛特的 CEO 王宁：
也有其他网友让 DeepSeek 视觉模型来识别梁文锋的照片，有识别出张雪峰的、有识别出张一鸣的、还有识别出是 Kimi 创始人杨植麟的，一个比一个离谱。。
同时我也让 Opus 5 来识别这张照片，结果它出于肖像权考虑，直接拒绝识别人物。。。
然后我又把自己的照片丢给 AI，看看它会把我认成谁呢？
结果试了几次，这个视觉模型在 DSH 里死活认不出我，放心了放心了。
其实早在今年四月底，DeepSeek 网页版就灰度上线了「识图模式」，到六月份全量开放，并且可以免费使用。而这次 V4-Flash-Vision-Exp 模型的上线，则是将视觉能力正式开放到了 API 层面，开发者通过 DSH 等工具就能直接调用了。
我在 DeepSeek 网页的识图模式中又试了一次，特地关闭了联网搜索，结果居然把我认成了王俊凯。。。
我又让 AI 识别一次，这次我是杀马特教父，不是哥们？
看来人物身份识别这一块的能力算是《梁了》。那就换个对象，来测试一下 AI 能不能认出最近因为抽象而爆火的「牛来」。
视觉模型一开始只能识别出图片中的基本元素，不过它竟然能看出来这是一张 AI 生成的图，还挺厉害的。
我再让 AI 联网搜索相关内容后，它才成功说出了「牛来」：
Claude Opus 5 模型同样需要联网搜索辅助，才能认出这是「牛来」。
既然身份识别对 AI 来说有点吃力，那么我们降低一下难度，来测试一下 DeepSeek 认不认识自己。
看来大肥鱼还是认得出自己的，不过回答中的模型型号已经是远古时期的了。
3、iPhone 机型识别挑战
下面我们做一个有意思的识别挑战。
如果你不太了解 iPhone 产品线，看看这些年出的 Pro Max 机型，你会发现，外观不能说极其相似，只能说几乎一模一样。
于是，我把 iPhone 11 Pro Max 到 16 Pro Max 这几款外观极其相似的机型，再加上比较有辨识度的 iPhone 17 Pro Max 和 iPhone Air，一共 8 款机型放到一张图里，打乱顺序，看看 DeepSeek 视觉模型能不能正确识别出来。
结果 DeepSeek 视觉模型的正确率只有 62.5%，猜对了 5 个，猜错了 3 个。错的这三款刚好是外观相似度最高的 14 Pro Max、15 Pro Max 和 16 Pro Max。有意思的是，它明明参考了每一代 iPhone 的经典壁纸来辅助判断，居然还是猜错了。
而我使用 DeepSeek 网页版的识图模式，居然全对！
Claude Opus 5 这边也是不吃压力，一次全对。
4、找不同小游戏
小时候我很喜欢玩 QQ 游戏里的《大家来找茬》，我记得是不是还有个《美女来找茬》？反正老爱玩了。
简单来说就是找不同的游戏，来看看 DeepSeek 视觉模型能找出几处不同。
花费了将近 4 分钟，DeepSeek 视觉模型把 8 处不同全部都找出来了。
跟标准答案一模一样，还是很厉害的：
Opus 5 也找出了所有不同，还标记了出来，不过耗时更长，花了 5 分 44 秒。
5、图片转 ASCII
识别和找不同都测完了，接下来让视觉模型做个有意思的小玩意吧。我让 AI 识别图片中的鲸娘，然后转成 ASCII 码形式展示。
DeepSeek 视觉模型生成出来的效果还算可以，再调整一下细节就完美了，比如深色模式版本下的裙子白色部分不应该是留空，而是填充，防止穿帮。
并且 DeepSeek 视觉模型生成的版本带有「方块字符」选项，方块字符的展示效果更加完美，但也存在深色模式下穿帮的问题。
对比一下 Opus 5 生成出来的效果，深色模式也出现了留空穿帮问题，不过 Opus 5 的整体细节会更好。
6、报错截图测试
有趣的项目测完了，来看看实际开发中更实用的场景。
我让 AI 生成了一个带有 Bug 的 Vue 项目，然后把报错截图丢给视觉模型，看看能不能一次性解决。
看起来报错一大堆，但实际上要解决的问题很简单，就是代码漏写了 import 语句，加上有个文件缺失，导致项目启动失败，需要改动的地方很少。
DeepSeek 视觉模型只用了 49 秒就解决了报错问题，还顺便发现了项目里的其他 bug。
Opus 5 更快，只花了 33 秒就搞定了。
看来让 AI 改 Bug 这件事真的已经没什么难度了。
7、前端页面复刻测试
根据截图还原网页，应该算是视觉模型最经典的应用场景之一了，也是很多人判断 AI 能不能打的试金石。
我让视觉模型识别并复刻 面试鸭刷题神器 的热门面试题库页面。
DeepSeek 视觉模型花了 4 分 30 秒完成任务。
效果不算完美，而且识别错了好几处内容。居然把「开刷」识别成了「剑别」？？？
旁边的「热门」也识别成了「部门」，右上角搜索框左边还莫名其妙多了个「人工审题 🔥」。
前面我还刚夸过 DeepSeek 的 OCR 能力，没想到这次翻车了。。
Opus 5 这边只花了 2 分钟就完成了，虽然有些细节不太一样，但好在整体没有夸张的错误。
8、硬核逻辑测试
最后来一个硬核测试。我让 GPT Image 出题并生成图片，让 DeepSeek 视觉模型来解题，最后把结果发回 GPT 来判断正误。
GPT 出的题目是一张电商运营数据报表，既考验视觉模型的 OCR 文字识别能力，又考验它对图表中数据关系和业务逻辑的理解。
这么复杂的问题，DeepSeek 视觉模型只用了 2 分 46 秒就完成了回答。
我把 DeepSeek 的回答结果发回 GPT，让它来评价打分。
GPT 给出的评价是「整体很强」，满分 10 分给到了 8 分。扣的两分主要是因为存在推断过头和 OCR 识别失误的问题。
而 GPT 对 Opus 5 的评价是「明显更强」。
我让 GPT 总结了 Opus 5 哪些方面比 DeepSeek 视觉模型更强，大家自己看看吧：
看来蓝色大肥鱼还需要继续练习呀。
最后哔哔
DeepSeek-V4-Flash-Vision-Exp 目前还只是一个试验性模型。根据官方公布的基准测试数据，这个模型的纯文本能力和 V4 Flash 正式版持平，而在需要视觉理解的 Agent 基准测试上，多模态能力已经接近 Opus 4.8。
整体测试下来，我觉得这款视觉模型还是比较可用的，尤其是性价比非常突出。
以上八轮测试，我都是在价格高峰时段完成的，做下来总共花了大约 6 块钱。而 Opus 5 我估算花了 8 刀左右，差了将近 10 倍！
根据官方文档，DeepSeek 的图片处理成本非常低，一张图最多折算 384 个输入 token，计费价格与 V4 Flash 一致。按高峰时段、缓存未命中的最高价来算，一张图大约只要 0.12 分，远不到 1 分钱，这价格可以说是基本白送了。
不过也不得不承认，这款模型在 OCR 识别和逻辑推理上确实还有不足，希望正式版能有所改善。
不管怎么说，这毕竟是 DeepSeek 在多模态方向迈出的重要一步，相信梁哥！
OK 就分享到这里，如果你对 AI 编程感兴趣，欢迎阅读我的 《AI 编程零基础入门教程》，上千张图、几十万字，带你从 0 开始快速学会 AI 编程，做出自己的产品、跑通变现全流程，一次拿捏。
我是鱼皮，持续分享 AI 编程干货，觉得有用的话记得点赞收藏和关注。
你们有使用 DeepSeek V4 Flash Vision 么？觉得效果怎么样？评论区聊聊叭
