日记:2026/09/12

·3 min read·

Midscene 1.12 接入 DeepSeek 多模态模型跑 E2E 测试——快、便宜,复杂界面仍有差距

今天读到若川视野的一篇文章:Midscene 1.12 正式接入了 DeepSeek V4 Flash Vision Exp 多模态模型,用视觉定位的方式驱动 E2E 测试。

文章给的测评结论挺实在,三个维度各有看点:

速度快 —— 普通定位模式下 P50 耗时仅 0.6 秒,比其他模型里最快的还快 0.8~1 秒,比主流旗舰模型快 1.5~2 秒。

成本低 —— 每张图片最多按 384 个 Token 计价,一万张图的输入成本不到 12 元(按高峰期价格算,空闲期或命中缓存更低)。这个量级对需要反复跑的 E2E 场景确实有吸引力。

准确率有取舍 —— 目标明确、页面结构简单的场景里已经接近主流旗舰;但元素密集、目标较小或空间关系复杂的界面,容易出现选错或偏移。开启 deepLocate 优化后准确率能提上来,P50 耗时约 1.4 秒,依然保有性能优势。

选型建议也说得中肯:价格低不等于就该选它。真实的 E2E 任务还涉及页面状态理解和步骤规划,作为 DeepSeek 官方 API 的第一款多模态模型,这方面的表现还有待验证。建议结合实际业务,把 Midscene 支持的几款模型都实测一遍,从定位效果、响应速度、调用成本、任务规划四个方面综合比较。

演示案例很直观——用 Midscene + DeepSeek 玩连连看(27 秒,全程视觉定位、未加速未剪辑),以及自动注册 GitHub 账号(表单填写约 50 秒,任务完全由模型自主规划执行)。

接入方式很简单,几个环境变量的事:

MIDSCENE_MODEL_BASE_URL="https://api.deepseek.com"
MIDSCENE_MODEL_API_KEY="......"
MIDSCENE_MODEL_NAME="deepseek-v4-flash-vision-exp"
MIDSCENE_MODEL_FAMILY="deepseek"

原文:用 Deepseek 多模态跑 E2E 测试 - Midscene 1.12 更新

相关链接:

Twitter