视觉增强带来的性能飞跃与模型背景

DeepSeek近期发布了备受瞩目的V4 Flash Vision模型，这是在其现有架构上增加了视觉能力的实验性版本（标注为EXP）。尽管该功能仍处于实验阶段，但初步测试显示其性能提升显著。根据官方基准图表数据，新模型在多个任务上的得分均有增长，特别是在代码相关等高频测试场景中表现突出。作者指出，Deep SWE得分反映了个人体验的准确性，而该模型在此项指标上提升了约5分，甚至逼近了Opus 4.8的水平。这种能力跃升使得模型不仅能“看”，还能通过视觉反馈自我检查，减少对智能工具的依赖。值得注意的是，截至录制时，该模型尚未开放权重（Open Weights），也未在Hugging Face上提供下载，但鉴于DeepSeek以往的做法，未来开放的可能性较大。

定价策略与测试成本监控机制

在评估模型能力之前，了解其经济可行性至关重要。DeepSeek V4 Flash Vision的定价策略为：输入每百万Token 0.44美元，输出每百万Token 1.32美元。虽然市场竞争激烈，但作者通过实际运行两个耗时超过一小时的任务（包括“3D摔跤游戏”和“PC维修电影提示词测试”，总耗时超两小时）验证了成本，这两项任务的总花费仅为1.02美元。为了在视频中透明展示测试开销，作者设定了成本追踪机制：每次运行新任务前都会公布当前累计费用，并在后续展示新增任务的增量成本。这种透明的成本控制方式有助于读者直观理解该模型在复杂多模态任务中的实际经济性，同时也为后续的高负载测试提供了基准参考。

Browser OS V2.7视觉复刻与交互实验

本次测试的核心是评估模型的多模态视觉复刻能力。作者选择了Browser OS Test V2.7，但移除了程序化生成动态壁纸的要求，转而要求生成的桌面应用风格必须100%匹配一张Mac OS 9的参考截图。这一设计旨在测试模型能否精准捕捉视觉细节而非仅依靠文本生成。任务耗时26分47秒，最终生成的桌面不仅还原了经典界面风格，还意外加入了一个名为“Moose”的自主桌面宠物。该宠物能行走、眨眼并评论用户操作，极大地增强了交互趣味性。测试结果显示，虽然大部分应用不可点击（符合单文件浏览器OS的逻辑限制），但悬停效果和菜单样式高度还原。作者特别赞赏了其中的彩蛋设计，如“关于Moose”选项和拖拽垃圾桶时的幽默反馈。

细节还原度与彩蛋设计的深度解析

在详细体验生成的Mac OS 9界面时，作者发现模型对视觉风格的把握相当出色。桌面宠物Moose不仅具有独立的交互逻辑（如响应键盘输入“Moose”），还具备独特的性格设定，例如对空垃圾桶的赞赏。尽管右键菜单缺失（原版OS 9支持），但整体视觉氛围营造成功。作者指出，模型在细节处理上展现了极高的创造力，例如“Chooser”应用中显示未找到以太网打印机（尽管硬件本身无此端口），以及键盘帽滑入桌下的物理模拟彩蛋。这些细节表明，V4 Flash Vision不仅具备基础的图像识别能力，还能在理解参考风格的基础上进行符合逻辑的创意扩展，尽管部分交互功能受限于单文件架构无法完全实现原生OS的全部特性。

复古操作系统界面的高保真生成

测试首先从视觉还原能力入手，要求模型基于提示词构建一个包含特定元素（如“空垃圾桶”和“驼鹿图标”）的桌面操作系统界面。模型不仅准确识别了这些非标准提示，还生成了极具80年代风格的图形界面。在应用图标方面，模型成功渲染了“文档”、“应用程序”以及用户指定的《侠盗猎车手：罪恶都市》（Grand Theft Auto: Vice City）图标。更令人印象深刻的是，模型对网络环境的模拟也达到了极高水准，生成了包含“LocalTalk”、“Power Mail Gateway”和“GTA Server”等复古网络组件的界面布局。

“这绝对是迄今为止最好的浏览器OS结果之一。”

在3D场景生成方面，模型尝试构建一个倾斜塔楼风格的城市场景。虽然纹理包裹和网格碰撞体（mesh colliders）的精度仍有瑕疵，但整体风格高度契合。随后进行的80年代摔跤游戏生成测试中，模型命名为“Slam City 86”，并生成了包含Macho Mike、Baron Blade等角色的界面。该任务耗时 37分钟54秒，生成效果被评价为“相当不错”，甚至在某些方面超越了GLM 53模型的表现。尽管游戏逻辑尚显粗糙，但其在视觉风格还原上的表现证明了该模型在复古美学理解上的强大能力。

基于参考照片的3D房间场景重建

第二阶段测试极具挑战性，要求模型利用多模态能力，根据用户提供的当前房间参考照片，在Blender中重建一个等距视角（isometric view）的3D场景。测试者强调，模型需确保纹理与照片一致，并生成完整的Blender工程文件。整个过程耗时约 74分钟，最终生成的场景在细节还原上令人惊叹。

模型成功识别并重建了房间内的众多物品，包括黑色3D面板吸音墙、带黑缝的暖色橡木条板、白色散热器地板程序生成的橡木地板以及深色胡桃木书桌。尽管对“曲面显示器”的识别存在偏差（实际为超宽平面屏），但其他物品如VR头显、蓝色手持设备、白色键盘、角落里的游戏PC主机、赛车模拟器座椅以及石灰绿色的办公椅均被准确捕捉。特别值得一提的是，模型还还原了墙上的Apple历史海报、Toshiba Qosmio笔记本电脑以及旧米色PC主机。

“它甚至渲染了那个旧的米色电脑和VR头显。我觉得这个场景很酷。”

在Blender软件中打开生成的文件后，测试者发现模型不仅构建了整体布局，还细致地制作了座椅的独立部件。尽管测试者自谦不懂Blender操作，但场景的结构完整性和纹理匹配度极高，尤其是背景墙面的白色区域和海报位置均准确无误。这一结果被评价为“100%让标题中的‘疯狂’一词名副其实”，展示了模型在复杂空间理解和高精度3D资产生成方面的突破性进展。

第一人称射击场景的风格化构建与成本分析

最后的测试聚焦于游戏资产生成，要求模型基于Nano Banana生成的“肮脏风格”参考照片，构建一个第一人称射击（FPS）游戏的地铁场景。此测试旨在验证模型在特定艺术风格下的环境构建能力，并进一步评估其多模态处理的效率。测试过程中，模型不仅处理了视觉参考图，还结合了增强后的提示词指令。

在成本方面，整个测试过程的费用记录显示：初始费用为 $1.26，完成房间重建任务后总费用升至 $1.97。这意味着仅房间3D建模这一项复杂任务，实际消耗成本为 $0.71。考虑到该任务涉及长达74分钟的处理时间、多模态图像分析以及完整的Blender场景文件生成，这一成本效益被认为极具竞争力。测试者指出，虽然尚未深入审查FPS部分的最终渲染细节，但前两项测试的结果已充分证明了DeepSeek V4 Flash Vision在处理复杂视觉指令、跨模态转换（图片到3D模型）以及保持风格一致性方面的卓越性能。

复杂游戏资产生成与初步测试

为了进行更具挑战性的压力测试，视频作者要求 AI 使用 Blender 创建游戏资产，并使用 Godot 引擎构建完整的游戏项目。作者预估这一过程将耗时 40分钟27秒，最终结果与预测完全一致。在生成过程中，API 调用费用从之前的约 $1.90 上升至 $2.32。然而，当作者运行生成的游戏时，发现存在严重的逻辑错误：玩家出生点位于空间站外部，且场景中的物体悬浮在空中。作者随即向 AI 提供了参考图片以指出这些空间定位错误，并等待修复。

"All right. Oh no. Okay, I think we may be outside of the station... something has gone deep deeply wrong here."

修复后的效果评估与成本分析

经过超过一小时的处理，AI 提交了修复版本。此时费用进一步增加了 31美分（因跨天计费），总成本有所上升。作者对修复后的效果进行了详细评测，认为虽然模型成功生成了包含 Blender 和 Godot 的复杂实现（而非简单的单文件 3js 游戏），但整体印象不如之前的版本。尽管僵尸模型的纹理和地铁车厢等细节表现尚可，且通过闪烁灯光营造了恐怖氛围，但作者指出实际实现效果与参考图片的相似度较低。此外，场景中额外敌人的位置不明，且存在其他未明确指出的问题。这表明在处理多步骤、高复杂度的视觉-代码生成任务时，该模型仍存在明显的稳定性与准确性短板。

C++ 滑板游戏测试：视觉能力的体现

第二个测试案例是一个自包含的 C++ 滑板游戏，地图设定为 2000年代纽约街区。作者认为这一测试能显著体现视觉能力对代码生成的辅助作用，因为此类任务高度依赖对物理交互和场景布局的理解。测试过程中 GUI 曾短暂无响应，但最终在 45分钟后成功生成结果。费用从之前的 $0.31 上升至 $1.16。作者对结果表示惊讶，认为表现非常出色：城市着色效果良好，建筑物细节丰富（包括背景中的摩天大楼），且滑板与角色的运动是独立计算的，允许玩家进行合理的滑行和跳跃操作。作者强调，相较于无视觉能力的模型版本，该模型的改进是巨大的。

"This is definitely justifying the insane in all caps in the title. Very good."

版本对比与最终结论

作者将此次生成的纽约风格滑板游戏与此前（约3周前）由同一 Flash 模型生成的加州木板道风格版本进行对比。虽然旧版在某些方面也有可取之处，但新版在细节丰富度和整体完成度上更胜一筹。作者指出，尽管 Quen 3.8 max 在此类任务中表现最佳，但就模型规模而言，DeepSeek V4 Flash Vision 具备极高的竞争力。其能够处理复杂的物理交互（如滑板与路缘石的摩擦）和独立角色动画，证明了视觉输入在提升代码生成质量方面的关键作用。这一测试不仅验证了模型的能力边界，也展示了其在处理具有特定美学风格（如纽约街区）时的精细控制能力。

老游戏画面重制为电影：视觉细节与动态表现

测试者首先尝试将1998年的PC维修游戏画面转化为电影风格。虽然整体场景观感良好，且角色Miss Ellis出现了眨眼和轻微的左右倾斜动作，但生成速度极慢。声音方面完全缺失，测试者决定不进行配音。在观察窗外雨滴时，模型生成的台词提到CMOS电池像心脏起搏器一样为电脑记忆供电，这种拟人化的幽默感符合游戏背景。尽管生成过程缓慢，但模型成功捕捉到了静态反射细节，例如屏幕上隐约映出了维修工作的画面。此外，模型还生成了窗外云层移动、飞机飞过格陵兰岛上空以及阿尔卑斯山等背景细节，甚至识别出机舱内的乘务员。然而，也存在一些瑕疵，如窗户处的Z-fighting（深度冲突）现象，以及部分人物模型出现类似“面包片拼接”的崩坏效果。测试者认为，尽管没有声音且速度缓慢（即使加速3倍仍显迟缓），但自主修复和生成电影场景的能力依然令人印象深刻。 > "I essentially told it to just turn this instead into a movie that we can watch and there is also going to be a pace to it as well."

成本分析与重制任务开销

在视觉测试之外，测试者详细记录了本次实验的成本数据。初始的3D摔跤游戏和PC维修游戏修复任务成本为1.02美元。随后，当指令改为将这些画面转化为电影模式时，成本上升至1.64美元。这意味着将静态游戏场景转换为动态视频风格仅额外增加了0.48美元的费用。测试者认为，考虑到模型需要处理大量资产并生成连贯的视觉叙事，这一溢价是合理的。整个视频测试过程中涉及多个任务，包括后续的网页复刻和子游戏测试，最终所有任务的总成本约为3.96美元。虽然相比一个月前这些模型的使用价格有所上涨，但测试者指出，考虑到部分任务耗时超过10分钟且包含复杂的后续交互，整体性价比仍然不错。 > "So it had a lot of assets there. It went up to dollar 64. So, 48 cents more to turn that into a movie, which I still think was pretty darn cool."

低思维模式下的网页复刻测试：速度与精度平衡

为了进一步验证视觉能力，测试者切换至低思维模式（Low Thinking Mode）进行了一项更简单的任务：根据AI生成的参考照片，像素级复刻一个GPU租赁网站“Velocity Rentals”。这一测试旨在观察在降低推理强度下的生成速度和还原准确度。结果显示，该任务仅耗时2分钟完成，显著快于之前高思维模式下的任何结果。在视觉还原度上，模型较好地保留了网站的整体布局结构：左侧为导航栏，右侧为主要内容区。它成功识别并复现了“Key Features”（关键特性）和“Better Use Cases”等文本板块，准确传达了网站的核心信息。然而，由于缺乏原始矢量素材（SVGs），模型生成的图标和头部图片在细节上略显粗糙，未能完全还原参考图中金色的装饰元素。测试者认为，尽管存在细微的视觉偏差，但在低思维模式下实现如此快速的像素级复刻已属相当不错的表现。 > "This was significantly faster than any of the other results that we've seen so far. It took two minutes on the dot."

综合评估：视觉理解与成本效益的权衡

本次测试的核心在于验证DeepSeek V4 Flash Vision在多模态任务中的实际表现。从将老游戏转化为电影，到快速复刻网页界面，模型展现了强大的视觉理解与重构能力。尽管在生成视频时存在速度慢、无音频以及少量模型崩坏的问题，但其对场景元素（如云层移动、反射细节）的捕捉能力令人惊叹。在成本方面，虽然单次任务费用有所增加（总花费3.96美元），但考虑到任务的复杂度和生成内容的丰富性，测试者认为其价格仍在可接受范围内。特别是低思维模式下的网页复刻任务，证明了模型在平衡速度与精度方面的灵活性。测试者总结道，虽然未进行传统的结果汇总对比，但整体体验非常有趣且令人满意。 > "Really overall, I don't know that I'm going to do like a traditional results overview because I filmed this over a few..." (注：此处引用为片段结尾的过渡性话语，体现测试者的整体态度)

总体评价与工具验证

经过数日的深度体验，评测者认为DeepSeek V4 Flash Vision模型的表现极其令人印象深刻，堪称这一系列测试的集大成之作。此次评测的另一大亮点是成功使用了全新的DeepSeek Harness工具对模型进行了验证，结果显示该测试框架运行良好。由于这是评测者首次接触此模型及Harness工具，缺乏直接的参考基准来量化性能提升的具体幅度，但整体体验远超预期。评测者强调标题中使用的“INSANE”一词绝非夸张，而是对模型实际表现力的真实写照。尽管缺乏横向对比数据，但基于首次使用的良好体验，评测者对模型和工具的组合给出了高度肯定的评价。

结论

DeepSeek V4 Flash Vision凭借视觉增强显著提升了多模态任务表现，尤其在代码生成与3D场景重建中展现出高保真还原能力。其定价极具竞争力，复杂任务总成本仅约3.96美元，且低思维模式可实现极速网页复刻。然而，模型在处理高复杂度游戏逻辑时存在稳定性短板，如场景定位错误及与参考图相似度低；视频生成则面临速度慢、无音频等局限。总体而言，该模型在视觉理解与创意扩展上表现卓越，性价比极高，但在复杂交互逻辑的准确性及视频生成效率方面仍有改进空间。