DeepSeek多模态怎么样？|附带保姆级配置教程（codex、claude）

DeepSeek 多模态终于来了。

这次上线的是实验性视觉模型：

DeepSeek-V4-Flash-Vision-Exp

API 模型名：

deepseek-v4-flash-vision-exp

它不仅支持文字，还加入了图片输入、截图理解、OCR、图表分析等能力，并且可以直接接入 Codex。

但问题也来了：

这个多模态模型到底怎么样？加入视觉能力后，代码和 Agent 能力会不会下降？

一、DeepSeek 多模态到底怎么样？

先看这次公布的 Benchmark。

1. 文本 Agent：基本没有因为多模态而“降智”

和 DeepSeek-V4-Flash-0731 相比，Vision-Exp 在 7 项文本 Agent 测试中，6 项成绩更高。

比较明显的有：

其中 DeepSWE 59.3，甚至超过了 Opus-4.8 的 58.0。

Toolathlon-Verified 则达到 75.9 vs 76.2，已经非常接近 Opus-4.8。

也就是说：

DeepSeek 并没有为了“看图”，明显牺牲原本的文本 Agent 能力。

2. 多模态 Agent：已经摸到 Opus-4.8

真正值得看的还是多模态测试。

这里很有意思。

Agents' Last Exam：

Vision-Exp 27.3
> Opus-4.8 25.7

ZeroBench：

Vision-Exp 35.0
> Opus-4.8 34.0

而 Chartography：

64.3 vs 65.0

几乎已经贴近 Opus-4.8。

所以从这张测试表来看，我对它的评价是：

文本 Agent 能力没有明显缩水，多模态 Agent 已经进入第一梯队，部分项目甚至超过 Opus-4.8。

当然，这不代表 Vision-Exp 已经“全面超过 Opus-4.8”。

毕竟目前还是 Exp 实验版本，Benchmark 也不能完全代表真实开发体验。

但作为 DeepSeek 第一个重点面向视觉 Agent 的模型，这个成绩已经相当不错。

二、它对 Codex 有什么用？

以前用 Codex 写代码，碰到：

• IDE 报错截图

• 网页截图

• UI 设计稿

• 数据图表

• 控制台错误

很多时候需要自己先整理成文字。

现在可以直接：

图片 / 截图
↓
DeepSeek-V4-Flash-Vision-Exp
↓
视觉理解 / OCR / 图表分析
↓
Codex 分析并执行代码任务

这也是我认为这次更新真正有价值的地方：

AI 不只是读代码，还开始能看开发环境。

三、Codex 保姆级接入 Vision-Exp

整个流程其实很简单：

安装 Codex → 运行官方脚本 → 选择第 3 项 → 输入 API Key。

1. 安装 Codex

确保已经安装 Node.js，然后执行：

npm install -g @openai/codex

检查：

codex –version

2. 运行 DeepSeek 官方脚本

Windows 打开 PowerShell：

irm https://cdn.deepseek.com/api-docs/codex-deepseek-setup-en.ps1 | iex

macOS / Linux：

bash <(curl -fsSL https://cdn.deepseek.com/api-docs/codex-deepseek-setup.sh)

运行后会出现模型选择菜单：

1. deepseek-v4-flash
2. deepseek-v4-pro
3. deepseek-v4-flash-vision-exp
…
9. 恢复默认 Codex 配置

想使用图片输入，直接选择：

3

也就是：

deepseek-v4-flash-vision-exp

第 3 项会额外支持图片输入。

首次运行会提示输入 DeepSeek API Key：

sk-xxxxxxxxxxxxxxxx

API Key 可以在 DeepSeek Platform 获取。

整个配置流程就是：

安装 Codex
↓
运行官方脚本
↓
选择第 3 项
↓
deepseek-v4-flash-vision-exp
↓
输入 API Key
↓
开始使用

如果之后想恢复原来的 Codex 配置，重新运行脚本，选择：

第 9 项

即可。

四、实际可以怎么玩？

例如直接把报错截图交给 Codex：

分析这张报错截图，找到错误原因，
并检查当前项目修改对应代码。

或者上传 UI 设计稿：

根据这张 UI 设计稿检查当前页面，
找出样式差异并修改代码。

最终工作流就变成：

看截图 → 理解问题 → 分析代码 → 修改项目 → 验证结果。

总结

如果只看这次 Benchmark，我认为 DeepSeek-V4-Flash-Vision-Exp 的表现比预期更好。

文本 Agent：相比 V4-Flash-0731，大部分测试继续提升。

多模态 Agent：已经接近 Opus-4.8，Agents' Last Exam、ZeroBench 甚至实现反超。

再加上现在可以直接通过官方脚本接入 Codex：

Codex
+
deepseek-v4-flash-vision-exp
↓
多模态 Coding Agent

所以这次并不是简单给 DeepSeek 加了一个“看图”功能。

真正值得关注的是：DeepSeek 开始把视觉能力和 Coding Agent 正式结合起来了。

不过 Vision-Exp 目前仍然是实验版本，适合尝鲜和测试，生产环境建议继续观察稳定性。