本日設計情報｜2026/08/23：DeepSeek 視覺模型緊咬 Opus 4.8、Nvidia 拆穿 Agent 迷思、東京開「ほぼ、空」建築展

DeepSeek 今天丟出一顆視覺模型，Nvidia 的研究團隊也端出一組實驗，把 AI Agent 的迷思打掉重練：決定一個 agent 好不好用的關鍵，往往藏在你怎麼把模型包起來用，而非模型底子多強。同一天，Adobe 在日本開了新專欄，講的正是這件事的另一面——生成式 AI 卡住創作者的地方，常常在企劃階段的模糊，而非產出速度。東京的建築展把這股氣氛具象化成光與空氣交織的展場。NN/g 則從使用者的眼睛出發，量出 AI 生成圖片到底能不能瞞過訪客的判斷。五則新聞把同一條線索攤開來看：工具本身正退到後台，你怎麼判斷、怎麼包裝、怎麼收尾，才是今天設計圈真正在較勁的地方。

🔥 DeepSeek 甩出視覺版 V4-Flash，benchmark 貼身跟跑 Opus 4.8

DeepSeek 今天釋出 Deepseek-V4-Flash-Vision-Exp，在原本的 V4-Flash 文字模型上加了一層視覺理解：讀截圖、拆解圖表、把圖片裡的文字抓出來，格式吃 JPEG、PNG、GIF、WebP，單次最多丟 600 張圖進去，還附一個 64MiB 上限的免費 Files API 可以直接上傳。更關鍵的是相容性——它同時支援 OpenAI 的 Chat Completions／Responses API，也吃 Anthropic 的 Messages 端點，現有的 agent pipeline 幾乎不用重寫，換個 endpoint 就能測。

DeepSeek 自己公布的內部 multimodal agent benchmark 顯示，這顆模型的成績「接近」Opus 4.8——貼身跟跑，還沒壓過去。這個位置其實比贏了更值得注意：一顆開放、便宜、跟主流 API 相容的視覺模型只要追到堪用的門檻，設計工具整合這邊拚的東西就會換一個維度——不再是模型排行榜的名次，是誰的工作流把這顆模型嵌得最順手。

閱讀原文 →

Adobe 在日本開新專欄：生成 AI 真正該解決的是企劃階段的模糊

Adobe 在日本設計媒體 JDN 開了一個新的贊助專欄「AI時代、プロはどう作る？」，找專業創作者聊他們實際怎麼用 Adobe 的工具做事，第 0 回先把整個系列的立場講清楚：生成式 AI 對創作者最有用的地方，是幫忙拓寬企劃階段的思路、讓團隊對要做成什麼樣子有一致的認識、減少來回修改的成本——這些都是上游決策的問題。文中把 Firefly 定位成一個可以放心商用的生成工具，但真正的論點放在流程，功能清單只是附帶。

這個切角對常常被「AI 讓你做得更快」這句話淹沒的設計圈，算是一句提醒：如果 AI 幫你更快做出一個方向錯的東西，省下來的時間其實是負的。把生成式工具放進企劃階段當發散工具用，才是這篇文章真正想談的位置——最後一哩路的加速，只是附加價值。

閱讀原文 →

Nvidia 的研究說重話：Harness 才是 Agent 的靈魂，模型只是配角

Nvidia 的研究團隊丟出一組數字，把「agent 好不好用取決於模型多強」這個常見假設打掉重練：同樣用 Claude Opus 5，配上他們自己做的一套 harness（agent 外層的工具、記憶管理、規則的統稱），在互動推理測試 ARC-AGI-3 拿下 100% 正確率；拿掉這套 harness，同一顆模型只剩 30%。差距的關鍵不在模型本身，在外面那層包裝。他們把這套架構叫做 Agentic Variation Operators（AVO），核心是加了一個「supervisor」角色，在 agent 卡住的時候介入引導。

Nvidia VP Adel El Hallak 的說法很直白：『agent 這件事，重點在模型外面那層 scaffolding，也就是它用的那組工具。』OpenAI 跟 Databricks 各自的研究也給出類似結論——Databricks 甚至發現，harness 的選擇對成本的影響比換模型還大。這件事對用 Figma agent、Claude Code 這類工具做設計工作的人是個實用的提醒：與其一直追下一代模型，不如先把自己的工具鏈、規則、記憶怎麼餵給 agent 這件事想清楚。

閱讀原文 →

東京開展「ほぼ、空」：青木淳與理查・塔圖爾用光與空氣重新定義展場

東京オペラシティ アートギャラリー從 7 月 18 日展到 9 月 23 日的「ほぼ、空：青木淳＋リチャード・タトル」，是建築師青木淳跟美國當代藝術家理查・塔圖爾（Richard Tuttle）的一次對話式合作。青木淳一直用「空氣」這個詞理解建築，塔圖爾則用「光」處理作品，兩個人在這場展覽裡把美術館原本的動線跟展示邏輯重新拆過，用自然素材跟回收建材，做出一個留白很多、邊界很模糊的空間——展示跟日常之間、欣賞跟消費之間的界線，都被刻意打散。

展覽提倡「向上仰望」的觀展姿態，想讓人在沉浸式的環境裡先感知空間本身，再回頭看作品。對做視覺跟空間設計的人來說，這種把「留白」當成主要材料在用的做法，比起再看一次新的設計工具更新，反倒是更稀缺的訓練——怎麼用「不做什麼」去定義一個場域，是設計裡最難教的部分。

閱讀原文 →

NN/g 實測：AI 生成圖只要不說，使用者根本認不出來

NN/g 找了 77 位美國參與者，看一個虛構顧問公司的網站，六個版本只差在首頁大圖——三張是用 ChatGPT Images 2.0 生成的，三張是傳統圖庫照片，參與者事先完全不知道有 AI 生成這回事。看完頁面 10 秒後，他們在信任感、專業度、真實感三個面向打分。結果是 AI 生成的圖片評分「略高」於圖庫照片，唯一有統計顯著差異的是真實感，差了 0.4 分（滿分 7 分）——方向是 AI 生成的圖略贏，沒有輸。

比圖片來源更影響評分的，是畫面裡的人物夠不夠多元、有沒有種族跟性別上的代表性，參與者對這件事的正面留言，明顯比對「這張圖到底是誰生成的」在意得多。另一個反差是：一旦參與者「懷疑」某張圖是 AI 生成，評分就會下滑，連原本是真實照片、被誤判成 AI 生成的也一起被扣分。NN/g 給設計師的建議很直接：與其糾結圖片的出處，不如把每張 AI 生成圖都當成一般設計素材，照樣審目的、審多元代表性、審有沒有技術破綻、審跟情境合不合——出處從來排不上重點，執行才是。

閱讀原文 →