DeepSeek会看图了：你的菜品图正变成AI素材
一、事件本身：DeepSeek 给文本模型装上了眼睛
2026 年 8 月 21 日，DeepSeek 推出 V4-Flash-Vision-Exp。它没换核心架构。而是在原有的 V4-Flash 文本架构上叠加了视觉模块。视觉塔、负责图像与文本匹配的部件和若干辅助组件。总参数约 3050 亿。实际每次推理激活约 130 亿。沿用 MoE 结构，所以推理成本和原版 Flash 接近。
最关键的一处设计。一张图最多只占384 个输入 token。按 V4 Flash 的原价计费。没有视觉加价。对要反复看截图、界面、文档页的 Agent 来说，这个定价让视觉工作流便宜了一大截。
模型支持三种图像输入方式。Base64 内联。外部 URL。以及新推出的 Files API。兼容 OpenAI 格式，也兼容 Anthropic 格式。
二、能力到哪了：多模态Agent 逼近 Opus 4.8
DeepSeek 自己公布的多模态 Agent 评测。和 Anthropic 的 Claude Opus 4.8 打成 2 胜 2 负。ApexBench，36.5 对 39.4。Agents' Last Exam，27.3 对 25.7，DeepSeek 胜。Chartography，64.3 对 65.0。ZeroBench，35.0 对 34.0，DeepSeek 胜。纯文本 Agent 任务基本和原版 Flash 持平。
需要说清两点，免得被标题带偏。第一，这些数字来自DeepSeek 自己的评测框架。第三方独立复现还没跟上。要当"有希望"，不能当"已定论"。
第二，Opus 4.8 已经不是 Anthropic 最新一代。2026 年 7 月 Opus 5 就发了。所以"逼近 Opus 4.8"更接近"逼近几个月前的一流水准"。不是追平当下最前沿。但一个开源、MIT 许可、能自托管的模型做到这份上，对开发者仍是实打实的利好。
三、对GEO 意味着什么：图片从装饰变成信源
过去做生成式引擎优化，重心在文字信源。官网文案。可被抓取的公开页。结构化的品牌事实。图片一直被当成给人看的。AI 读不读得到、读不读得懂，没人在意。
V4-Flash-Vision-Exp 这类模型改变这个默认。当主流 AI 搜索背后的模型能直接看图，一张菜品图不再只是配图。它可能是 AI 判断这家店招牌菜是什么、摆盘什么水准、适不适合请客的直接素材。民宿的环境图。旅行的路线截图。手工艺的做法动图。同理。
这带来一个以前没那么紧迫的要求。你的视觉资产得机器可读。清晰。主体明确。信息无歧义。这是最低门槛。进一步，图片周边配套的文字说明，图注、ALT、页面上下文，要和图片本身一致。AI 才能把图里是什么和这家店叫什么对上号。
四、本地商家的现实动作
丽江的餐饮老板拍菜品图。很多习惯加滤镜、加花字、加乱码。好看，但机器难读。民宿的环境图常混在九宫格里。没有一句话说清这是哪间、什么价位段、什么风格。
这些细节过去只影响人看。现在开始影响AI 引不引你。务实的做法不复杂。核心菜品、核心空间各留几张干净原图。配一句准确图注。门店信息页、官网、地图商户页的菜名和图对应一致。别让同一道菜在三个平台叫三种写法。
视觉资产一旦进入AI 能读、口径一致的状态，它就成了可被引用的信源。而不只是相册。
举一个丽江常见的例子。一道菌子火锅，官网图注写野生菌锅。点评页却写时令菌煲。AI 看两张图，分不清是不是同一道菜。
更麻烦的是图本身。有的老板给菜品图加厚滤镜、压花字、叠乱码。人看着还行。机器读起来一脸懵。
视觉模型普及后，这些细节开始计入AI 的引用判断。图清不清楚、主体明不明确、图注和页面文字对不对得上，都成了门槛。
务实的做法不复杂。核心菜品、核心空间，各留几张干净原图。配一句准确图注。门店信息页、地图商户页的菜名，和图对应一致。
这跟文字信源是同一套逻辑。官网、地图、点评，菜名写法统一。营业时间一致。招牌菜描述对得上。AI 才有东西稳稳引。
视觉资产一旦进入机器可读、口径一致的状态，它就从相册升级成可被引用的信源。这一步越早做越省事。
别等到AI 已经能看图了，才发现自家招牌菜图全是花字乱码。那时再补，比现在顺手整理贵好几倍。
生成式引擎优化要管的，不只是一段段文字。是品牌在AI 眼里完整的、可读的、一致的样貌。视觉是其中新的一块。
对丽江餐饮、民宿来说，强依赖视觉。菜品摆盘、院落环境、路线景观，都是AI 判断你是什么档次的直接素材。
把这些图整理成机器读得懂、口径一致的状态，等于给AI 多开了一扇认得你的窗。比多发几篇稿更管用。
模型层出不穷。企业真正要拼的，不是又接了哪个新模型。是能不能被AI 稳稳引用。
想让品牌出现在每一次AI 回答里？知智隐数做生成式引擎优化，官网 ynaizhizhi.com。帮本地商家把文字与视觉资产一起整理成 AI 可读、可引的状态。