# 多模态模型的价值，不在看懂图，在会自己去看

- 来源：Computing Life · Share · 鸭哥调研
- 发布时间：2026-08-30T00:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/53812
- 原文：https://yage.ai/share/agentic-vision-20260830.html

## 摘要

文章观察到 8 月 Meta 的 Muse Spark 1.2、Z.ai 的 GLM-5.3-Flash 和 DeepSeek 的 V4-Flash-Vision-Exp 三家实验室发布的多模态模型演示共享同一动作结构：模型先观察视频、截图或页面，再调用工具生成网页、演示文稿或小游戏，并回头审视自己的产物。

## 推荐理由

Meta、Z.ai 与 DeepSeek 三家实验室的多模态演示共享同一动作结构，模型先观察视频或页面，再调用工具生成产物并回头审视，为理解多模态能力提供了一条比较线索。

## 锐评

视觉这块终于从看懂图挪到会自己去看，这个方向我认。三家独立撞到同一个动作结构，scaffold 层面自然长出来的东西，一家调不出来。模型截个图、调工具生成页面、再回头审自己的产物，视觉在这里只是验证环节，跟当年 agentic RAG 把检索从一次性喂 context 变成按需调用一个路子。真跑起来 token 会涨，每一步都要重新看一遍屏幕，账单得算清楚。反正我信这个方向，比刷 benchmark 分数实在。
