中国的 DeepSeek 推出了一款能够处理图像和截图的实验性多模态人工智能模型，扩展了其 V4 模型家族。与此同时，全球主要人工智能开发者——包括中国和美国的企业——之间的竞争持续加剧。

此次发布于 2026 年 8 月 21 日公布，首次为 V4 系列加入视觉处理能力，而现有文本系统仍继续保留，并未被取代。图像输入已成为 OpenAI、Google 和 Anthropic 等前沿模型的标准能力，此次升级使 DeepSeek 的最新模型家族达到了这一基准。

DeepSeek 为 V4 Flash 增加视觉能力

DeepSeek 发布了 DeepSeek-V4-Flash-Vision-Exp，这是一款为其 V4 Flash 平台增加视觉处理能力的实验性模型。用户可以上传图片和截图，然后让模型分析内容或根据所见完成任务。

该公司表示，新模型保留了 DeepSeek-V4-Flash 的文本能力，包括推理、智能体任务和通用知识。DeepSeek 将此次发布描述为其较新模型家族的多模态扩展，而非对现有文本系统的替代。

DeepSeek 表示：“这款实验性多模态模型在文本能力上与 DeepSeek-V4-Flash 相当——包括智能体、推理和世界知识。”

该模型可通过 DeepSeek 的应用程序编程接口（API）使用，开发者可以借此在自己的产品和服务中加入基于图像的功能——例如分析上传的截图——并在该平台之上构建视觉 AI 应用。

该发布的消息由 Walter Bloomberg（@DeItaone）在 X 上分享：

DEEPSEEK CHALLENGES ANTHROPIC WITH NEW AI MODEL

DeepSeek has unveiled an experimental multimodal AI model capable of analyzing images, screenshots and text while performing autonomous tasks.

Called DeepSeek-V4-Flash-Vision-Exp, the model reportedly approaches Anthropic's Opus…

— Walter Bloomberg (@DeItaone) August 21, 2026

DeepSeek 将新模型与 Anthropic Opus 4.8 进行对比

DeepSeek 表示，内部评估显示其新模型在多模态智能体测试中的表现与 Anthropic 的 Opus 4.8 处于相近水平。这类测试衡量人工智能系统如何处理既需要视觉输入、又只需有限人工指导的任务。这一对比使该实验性模型直接与 Anthropic 的高端系统之一展开较量。

Anthropic 一直强调其 Claude 系列的智能体能力，包括 2024 年底推出的“计算机使用”（computer-use）功能，该功能使模型能够解读屏幕上显示的内容并在应用程序内执行任务——这与 DeepSeek 新模型旨在执行的截图驱动任务存在重叠。

不过，DeepSeek 的说法基于其自身的测试，仍需要更广泛的第三方基准测试来比较不同工作负载下的性能。

DeepSeek 此前已通过 DeepSeek-VL 系列开发视觉语言模型，这是一个较早的模型系列，将图像理解与语言处理相结合。最新发布将类似的视觉功能引入较新的 V4 系列，扩展了该平台可处理的任务范围。该公司是由中国量化对冲基金幻方（High-Flyer）支持的 AI 实验室，于 2025 年 1 月首次引起全球关注，当时其 R1 推理模型以仅相当于美国领先系统所报道训练成本一小部分的成本，实现了与之竞争的结果。

中美人工智能竞争持续升温

此次发布之际，中国人工智能企业正继续在文本、视觉和智能体能力方面扩展模型研发。中国还出台了一项面向 2030 年的国家规划，呼吁加大对 AI 芯片、大型计算系统、多模态模型、自主智能体和区块链技术的投资。

中国开发商在先进人工智能领域还面临着美国官员日益严格的审视。近期的讨论涉及对知识产权、模型训练方法以及训练大型模型所需高端计算硬件获取渠道的担忧。

与此同时，据报道 Anthropic 正在筹备可能的首次公开募股（IPO）。该公司最早可能于本月提交申请，据称摩根士丹利、高盛和摩根大通参与了筹备工作。

在 SpaceX 完成一轮募资约 862 亿美元（含超额配售）的 IPO 之后，这一潜在的上市计划备受关注。由于 Anthropic 尚未公布最终发行条款或确认估值，两家公司之间的比较仍属推测。

DeepSeek 的新模型正是在这一竞争环境中问世，中国和美国的开发者正继续扩展多模态人工智能系统——即结合文本、图像与自主任务执行的模型——以服务于消费级和企业级应用。