DeepSeek Harness支持多模态！V4视觉模型图文编程、页面复刻完整对比

原标题：DeepSeek终于能看图了！首个多模态模型实测，到底夯不夯？

大家好，我是小林。

本周四，DeepSeek Harness 迎来了一波更新。其中最关键的一项，是补上了多模态输入。

也就是说，新版本除了普通对话，/goal、/plan 这些常用命令也能接收图文输入了。

刚看到这项更新时，我还以为 DeepSeek Harness 是让我们接入其他多模态模型来用。

结果第二天，DeepSeek 就发布了自己的多模态视觉理解模型：DeepSeek-V4-Flash-Vision-Exp。

好家伙，DeepSeek 终于能看图了。

现在回头看，DeepSeek Harness 这次更新，明显是在给自家的多模态模型铺路嘛。

当然，价格还是熟悉的 DeepSeek 风格，一张图片最多占 384 tokens，计费价格与 V4-Flash 一致。

接下来，我来实测一波，看看 deepseek 多模态能力如何？

实测一把

把 DSH 更新到 0.1.1-rc.2 版本后，模型列表里就能看到 DeepSeek-V4-Flash-Vision-Exp 了。

看一张截图，能不能找到原文？

我随手打开自己的大模型面试题网站 （xiaolinnote.com），截了一张文章图片，然后丢给 DeepSeek-V4-Flash-Vision-Exp，让它找出这篇文章的原文地址。

结果它很顺利地找到了对应的文章链接。

这个测试本身不算难，但对 DeepSeek 来说意义挺明确。以前的文本模型连图片都接收不了，现在它不但能看图，还能根据图片里的信息继续搜索。

看着图片，能不能画出 ASCII 图？

我把「梁圣」这张图片发给 DeepSeek-V4-Flash-Vision-Exp，让它用 ASCII 码把图片重新画出来。

这是 DeepSeek 生成的效果：

人物的脸型、短发、眼镜和偏严肃的表情都保留了下来，基本能让人一眼认出原图。

我之前也试过另一套方案，先外挂一个多模态模型识图，再交给 DeepSeek V4 Flash 文本模型生成。这是当时的效果：

放在一起对比，原生多模态的效果明显更好。少了一层模型转述后，人物特征保留得更完整。

相同的图片和提示词，我也发给了 GPT-5.6 Sol。

你们觉得哪个更好？我觉得差距也是很大，都能还原出原图的人物轮廓和神态。

截图生成网页，能还原到什么程度？

对 AI 编程来说，看图最直接的用法，就是截图复刻网页。

很多网页的布局、颜色和组件，用文字描述半天都不一定说得清楚，直接把截图丢给 AI 反而更省事。

我先拿自己的简历网站 jianli.xiaolinnote.com 做测试，把首页截图发给 DeepSeek-V4-Flash-Vision-Exp，让它照着复刻。

这是 DeepSeek 生成的页面，整体布局基本都复刻出来了，相似度也还不错。

相同的提示词，我又交给 GPT-5.6 Sol 跑了一遍。

如果只比较视觉相似度，这一轮还是 GPT-5.6 Sol 更接近原网页。

我又换了一个信息密度更高的数据看板。

这是 DeepSeek-V4-Flash-Vision-Exp 复刻出来的效果：

这是 GPT-5.6 Sol 复刻出来的效果：

两个网页测下来，结果比较一致。

DeepSeek 已经能看懂截图，并把页面的主要布局做出来，但如果单纯比较视觉还原度，GPT-5.6 Sol 目前还是更胜一筹。

复刻一个能玩的《我的世界》

我截了一张 3D《我的世界》的游戏页面，让 DeepSeek-V4-Flash-Vision-Exp 开发一个类似的网页游戏。

这是 DeepSeek 做出来的效果，打开之后，整个画面确实有《我的世界》那味了。

跑步，跳跃这些都没问题。

我实际打开玩了一遍。游戏可以正常运行，场景里的砖块也能使用。

相同的提示词，我也交给 GPT-5.6 Sol 做了一遍。

GPT-5.6 Sol 生成的版本同样可以正常游玩。

这一轮两个模型都完成了任务。不过从地图大小来看，DeepSeek 生成的地图会更大一些。

复刻皇室战争游戏

还不过瘾，我就继续再复刻一个「皇室战争游戏」的游戏

这是 DeepSeek-V4-Flash-Vision-Exp 做出来的效果：

单看画风，确实简陋了一些，但游戏真的可以完整玩起来。

我实际玩了接近两分钟，最后拆掉了对方两座塔。虽然游戏结束前没能拆掉最后一座主塔，但我的拆塔数量比对方多，所以系统还是判定我赢了。

下面是 GPT-5.6 Sol 使用相同提示词做出来的版本：

两个都把游戏的核心玩法做出来了，画风细节程度的话，我感觉都差不多。

写在最后

上面这些案例跑下来，我也就花了 5-6 元，这个成本我觉得依旧很香

当然，现在这个模型名字里还带着 Exp。

从实测结果看，它的视觉还原能力还有提升空间，尤其是复杂网页，和 GPT-5.6 Sol 仍然存在一点的差距，不过整体上已经相当不错的。

但至少从这次开始，DeepSeek 已经补上了 AI 编程里很关键的一块能力：看见界面、理解界面，然后把界面做出来。