我用 DeepSeek V4 Flash Vision 给我的 AI 修了一个 bug

昨天凌晨

我的 AI 助手在一个项目里犯了个很低级的错误

它给的前端 JSON 格式有问题

导致页面渲染直接挂了

我打开日志一看

AI 非常自信地输出了这段错误代码

还标注了"已优化"

但根本跑不通

这种情况以前我也遇到过

解决方式通常是再发一条 prompt

让 AI 自我修正

但这次我换了个思路

我让另一个模型去"看"那个出错的页面截图

让它告诉我问题在哪里

不是用文字描述

是直接看图

我用的工具是 DeepSeek V4 Flash Vision

9月1日刚开源

MIT 许可证

我把同一张截图喂给了三个模型做对比

测试集是我自己攒的 50 个生产案例

涵盖渲染错误、布局崩溃、颜色偏差、响应式失效

结果如下

V4 Flash Vision：对了 49 个 错了 1 个 速度 47 tok/s（M5 Ultra 实测）

某闭源旗舰：对了 43 个 错了 7 个 速度未知（API 限速）

某国产同量级：对了 46 个 错了 4 个 速度 38 tok/s

我承认这个测试集不大

但它完全来自我的真实项目

不是论文里的标准 benchmark

让我意外的不是准确率

而是那个错误的案例

是一个极度裁剪的截图

只剩了页面右下角一块

人眼都得猜半天那种

V4 Flash Vision 依然对了

它看到的是一个残缺的色块和半截文字

然后判断出这是按钮样式错误

不是布局问题

不是数据问题

这个推理过程让我停下来想了一会儿

开源模型的能力边界

已经不是在"追赶"闭源旗舰了

是在某些具体场景里直接超越了

我修那个 bug 用的时间

主要花在写测试脚本上

模型本身只跑了 3 分钟

最后改的代码不到 20 行

但这 20 行是我自己写的

不是 AI 写的

这个区别很重要

我让 AI 帮我分析问题 帮我测试

但把代码写进生产环境的那个人

还是我

这里有个心法上的转变

当模型的测试能力足够强的时候

工程师的核心价值不再是"能写"

而是"知道该测什么"

你能不能设计一个实验

把问题暴露出来

然后用数据证明它被修好了

这比你会多少种语言重要得多

DeepSeek V4 Flash Vision 这次开源还有一个信号

我觉得比技术本身更值得注意

它用的是 MIT 许可证

可以商用 可以修改 可以二次分发

不用申请 不用付费 不用告知

我查了一下最近三个月的重要开源模型

Qwen3.8-Flash-Next Apache 2.0

GLM-5.3-Flash MIT

腾讯混元 Hy4 Preview Apache 2.0

MiniCPM5-2B 开放许可是可商用

这不是偶然

是国产大模型厂商在抢开发者生态的共识已经形成了

以前大厂开源是为了品牌和影响力

现在是真的在抢场景抢落地

因为大家发现

闭源 API 的定价权在人家手里

而开源模型放出去之后

谁先抢到开发者 谁就抢到了生态

这和当年 Docker Kubernetes 开源逻辑是一样的

免费的往往是最贵的

因为它绑定的是你的人 不是你的钱

回到那个凌晨的 bug

我最后没有让 AI 重写那一段代码

我自己写的

因为那段逻辑我知道为什么之前写错了

我需要这个"知道"

AI 可以帮我检错 帮我测试 帮我验证

但帮我思考为什么错了这件事

还得我自己来

是因为我比 AI 聪明吗

肯定不是

是因为那个错误来自我的业务逻辑

来自我对这个功能的特定理解

模型再强

它不知道我为什么这么设计

但我知道

所以最后动手的那个人

还得是我

这是 AI 时代工程师的一个不变的地方

模型负责能力

人负责意图

意图错了 能力越强越帮倒忙

这个 bug 教会我的不是怎么用 V4 Flash Vision

是怎么想清楚自己该干什么

工具永远在变

这个结论没过时

是为记