多模态模型

昨夜，DeepSeek Harness首发新版本：14项更新，多模态能力拉满！

2026 年 8 月 20 日

DeepSeek Harness于8月20日发布v0.1.0-rc.8版本，共14项更新，重点增强多模态输入能力，支持原生图片请求与图文混合指令；新增OCR、颜色统计、像素扫描等工具链，使纯文本模型可间接处理图像；Claude Code与Codex接入子代理体系，Windows终端体验优化，并修复流式生成、大图请求、自定义网关调用等关键问题。

多模态能力正式上线

DeepSeek Harness v0.1.0-rc.8版本于8月20日上线，共带来14项调整，覆盖多模态输入、子代理协作、终端体验、工具调用和开发者支持等多个方向。新版支持原生图片请求和图文混合输入，/goal、/plan等命令也可直接接收图片。

DeepSeek Harness v0.1.0-rc.8界面截图，展示图文混合输入功能

DeepSeek模型适配器现可通过配置启用原生图片请求：对具备视觉能力的模型，Harness可直接送入图片；对不支持图像输入的模型，则退化为工具链处理。输入框@菜单新增文件和会话引用，用户可将本地文件、已有会话等内容拉入当前任务。

子代理体系同步扩充：新版支持把Claude Code和Codex作为Profile Bundle按需安装。其中，Codex支持非交互权限模式及多个命名实例，便于在单任务中配置不同Codex子代理。

Windows用户获得重点优化：PTY终端加入持久PowerShell会话，并在极简模式预设中默认开启，减少命令执行中频繁重建终端环境的问题。

纯文本模型的“工具层视觉”

开发者发现，当所调用模型本身无图像输入能力时，DeepSeek Harness会自动退化至另一套工具链：调用OCR、颜色统计、像素扫描等工具，将图片拆解为结构化信息后再交由文本模型推理，相当于为纯文本模型拼出一套工具层的“视觉”。

例如，一张含文字与简单图形的图片可被拆解为“文字内容及坐标”“背景颜色比例”“特定区域像素变化”“图片尺寸”等多组信息。文本大模型据此“脑补”图像内容。该方案对PPT截图、流程图、界面截图等结构明确图像有效，但对真实照片、复杂空间关系内容恢复能力有限。

在官方加强多模态支持前，DeepSeek Harness社区已出现一批视觉相关插件，包括dsh-vision、dsh-vision-toolkit、modlens、dsh-auto-vision、dsh-subagent-vision以及通过pi2dsh桥接的pi-vision等，部分方案即基于OCR、像素分析或独立视觉子代理实现纯文本模型的图像处理。

上线不到一周的加速迭代

DeepSeek Harness于8月13日正式开启v0.1版本公测并同步开源。公测当晚，智东西曾实测其完成88页论文翻译、贪吃蛇游戏开发等任务。仅过去不到一周，团队即发布rc.8，重点补全多模态与子代理能力。

8月13日公测时，团队强调其核心设计思路是“一切皆插件”：模型、工具、技能、会话、沙箱、存储、循环、调度和UI等Agent能力均可由不同插件组合替换。rc.8延续该思路——视觉模型可原生接收图片，纯文本模型亦可借助视觉工具获得部分图像信息；Claude Code和Codex则作为子代理按需装入同一Harness体系。

此外，rc.8还加入web_search并发查询、子代理reportDelivery及时唤醒父任务、本地运行dsh web自动打开浏览器等优化，并提升大型历史会话分叉及SQLite后端读写性能。

插件化架构驱动能力重组

从8月14日开放公测到快速集成多模态与子代理能力，DeepSeek Harness仍处于高速迭代阶段。其“一切皆插件”的架构使模型能力不再绑定单一底座，而是可被拆解、编排、重组：视觉能力既可由多模态模型原生承载，也可由OCR+像素分析等工具链协同实现；代码能力既可内置于主模型，也可交由Claude Code或Codex子代理执行。

DeepSeek Harness插件化架构示意图：模型、工具、子代理、UI等模块可自由组合

GitHub发布地址：https://github.com/deepseek-ai/deepseek-harness/releases/tag/dsh-v0.1.0-rc.8

JOTO 企业落地观察

企业部署多模态智能体时，可借鉴Harness的分层策略：优先复用现有纯文本模型，通过OCR、像素分析等轻量工具链注入视觉信号，降低对多模态底座模型的强依赖，缓解算力与授权成本压力。
子代理按需安装机制对企业智能体工程具有明确启示：在金融、政务等强合规场景中，团队可将高风险子代理（如联网搜索、代码执行）设为显式开关，结合RBAC策略控制调用权限，而非默认全局启用。
Windows终端持久会话优化说明，企业AI落地必须直面终端环境碎片化问题。若FDE驻场共创中需支持客户本地IDE、PowerShell脚本或私有CLI工具链，终端抽象层的稳定性与可扩展性将直接影响交付质量。
插件化架构下，RAG知识工程需从‘文档检索’升级为‘能力契约管理’：每个工具/子代理的输入输出格式、错误码、调用前置条件等结构化元数据，必须纳入统一知识库，否则编排可靠性将随插件数量增长而指数下降。