AI技术每日分析：DeepSeek视觉模型接入统一Agent API

2026-08-23

AI技术, 微信公众号

摘要：AI产品竞争继续向多模态、低资源语言、科研智能体和前沿安全治理扩展。DeepSeek将V4-Flash-Vision-Exp接入API，把视觉理解、工具调用和Files API放进同一套Agent接口；印度IISc、ARTPARK与Google推动SraVaani覆盖65种印度语言，试图把语音识别扩展到商业模型长期忽略的低资源语言；伦敦初创公司Inherent进一步披露27B科学Agent Faraday的长程强化学习路线，用论文复现检验科研执行能力；OpenAI则公开建议加州强化SB 53，对训练和评测中的前沿模型增加严重事件监测，并加强模型全生命周期网络安全。与此同时，OpenAI下调GPT-5.6 Sol开发者价格，安全机构继续追问Agent是否能够被有效监控和隔离。AI系统的竞争指标正在从单次Benchmark延伸到多模态工具链、语言覆盖、长程任务、运行成本和控制能力。

AI技术每日分析：DeepSeek视觉模型接入统一Agent API

2026年08月23日星期日 | 中国高技术产业发展促进会新质生产力工作委员会

摘要

AI产品竞争继续向多模态、低资源语言、科研智能体和前沿安全治理扩展。DeepSeek将V4-Flash-Vision-Exp接入API，把视觉理解、工具调用和Files API放进同一套Agent接口；印度IISc、ARTPARK与Google推动SraVaani覆盖65种印度语言，试图把语音识别扩展到商业模型长期忽略的低资源语言；伦敦初创公司Inherent进一步披露27B科学Agent Faraday的长程强化学习路线，用论文复现检验科研执行能力；OpenAI则公开建议加州强化SB 53，对训练和评测中的前沿模型增加严重事件监测，并加强模型全生命周期网络安全。与此同时，OpenAI下调GPT-5.6 Sol开发者价格，安全机构继续追问Agent是否能够被有效监控和隔离。AI系统的竞争指标正在从单次Benchmark延伸到多模态工具链、语言覆盖、长程任务、运行成本和控制能力。

一、DeepSeek把V4-Flash-Vision-Exp接入API：多模态Agent进入统一开发接口

DeepSeek在8月21日上线实验性多模态模型V4-Flash-Vision-Exp，并在8月22日进一步受到开发者社区关注。官方资料显示，该模型在文本能力上保持V4-Flash的Agent、推理和世界知识能力，同时增加视觉理解；DeepSeek称其多模态Agent Benchmark相较V4-Flash有明显提升，并接近Opus-4.8水平。由于性能数据来自厂商，应等待更多独立评测。

更值得关注的是接口工程。V4-Flash-Vision-Exp同时支持Chat Completions、Messages和Responses API，可混合输入文字与图片；图片可通过Base64、外部URL或Files API提供。单张图片计费最多折算384 Token，沿用V4-Flash价格。新上线的Files API允许开发者上传一次图片后反复通过file_id调用，DeepSeek Harness 0.1.1也提供首日支持。

这意味着DeepSeek正在把视觉能力直接放进Agent工具链。网页操作、文档解析、GUI理解和视觉检索等任务都可以沿用同一套Agent接口，文件复用则有助于降低长流程任务中的重复带宽和上下文成本。

二、SraVaani覆盖65种印度语言：语音AI开始补低资源语言空白

Moneycontrol 8月22日报道，印度科学研究院IISc的SPIRE Lab与ARTPARK、Google共同推进开源语音识别模型SraVaani，覆盖65种印度语言和方言。报道指出，其中相当一部分语言长期缺少主流商业ASR的正式支持，项目希望把语音AI从印度主流语言继续扩展到数据稀缺、口音复杂和混合语言频繁出现的地区。

公开模型资料显示，SraVaani采用约4.3亿参数的FastConformer混合TDT-CTC架构，训练使用超过3.1万小时的多语言语音数据，并以MIT许可证开放。低资源语言之间的识别效果仍有差异，因此真正进入客服、政务、教育和本地化Voice Agent之前，仍需要针对具体语种逐一评测。

这条路线值得关注，因为语音Agent下一阶段的竞争不会只看英语和少数大语种的平均准确率。地方语言、方言、代码混合、实时流式识别以及低成本终端部署，会决定Voice AI能否真正覆盖更广泛的人群。

三、Inherent继续披露Faraday：27B小模型用长程强化学习做科研论文复现

TechCrunch 8月22日进一步披露伦敦AI实验室Inherent的科研Agent Faraday。Inherent由多名Google DeepMind前员工创立，近期完成5000万美元种子融资。公司披露的技术路线是以约27B参数模型为基础，通过长程强化学习训练Agent持续执行复杂科研任务。

Faraday目前重点测试论文复现：Agent读取论文后自主写代码、运行实验、分析结果，再尝试复现论文核心结论。Inherent构建的Replica评测包含约100篇机器学习和AI for Science论文衍生出的310个任务，公司称Faraday在这一特定评测中超过更大的通用模型。由于Benchmark和结果由公司主导，目前更适合作为一种长程Agent训练路线信号。

科研Agent需要连续调用代码、处理失败实验、保存中间状态并不断修正方案。若中等规模模型能够依靠Harness、工具调用和长程强化学习稳定完成这类任务，AI for Science的成本结构可能出现新的优化空间。

四、OpenAI转而呼吁强化加州SB 53：训练阶段的前沿模型也要持续监测

TechCrunch 8月22日报道，OpenAI全球事务团队公开表示，加州SB 53应进一步扩大安全保障。OpenAI提出的方向包括，对训练或评测中的前沿模型监测潜在严重事件，并强化模型开发全生命周期的网络安全保护；公司表示愿与加州议会和州长办公室继续完善该法案。

这一表态说明大型模型实验室的安全治理正在从发布前评测扩展到训练过程。最近围绕Agent越权、测试环境逃逸和供应链攻击的事件，使训练集群、工具权限、模型隔离、凭证和运行监控逐渐成为新的安全重点。Guidelight近期对主要前沿实验室的评估也把模型隔离、监控和第三方审查列为关键能力。

趋势观察

模型价格也在改变Agent经济性。Reuters报道，OpenAI将GPT-5.6 Sol的API价格在未来三个月下调20%以上，标准短上下文输入降至每百万Token 4美元、输出20美元。更低价格会推动更长、更复杂的Agent任务，但任务链越长、权限越高，对工具审计、文件边界、异常终止和运行监控的要求也会同步提高。AI平台竞争正在同时发生在“单位任务成本”和“系统是否可控”两条线上。

参考资料

1. DeepSeek API Docs｜《DeepSeek-V4-Flash-Vision-Exp Release: Multimodal API Now Live》｜2026-08-21

https://api-docs.deepseek.com/news/news260821/

2. Caixin Global｜DeepSeek多模态模型最新报道｜2026-08-22

3. Moneycontrol｜《Inside IISc’s SraVaani…》｜2026-08-22

https://www.moneycontrol.com/artificial-intelligence/inside-iisc-s-sravaani-the-push-to-take-voice-ai-beyond-india-s-22-mainstream-languages-article-14012715.html

4. Hugging Face｜SraVaani Model Card｜2026年

5. Hugging Face Blog｜SraVaani技术介绍｜2026年

6. TechCrunch｜《Inherent… AI teammate… replicating research》｜2026-08-22

https://techcrunch.com/2026/08/22/inherent-founded-by-deepmind-alumni-says-its-ai-teammate-just-outperformed-anthropic-and-openai-at-replicating-research/

7. Inherent Labs｜Faraday/Replica技术资料｜2026-08

8. TechCrunch｜《OpenAI says California should strengthen its AI safety bill》｜2026-08-22