DeepSeek 首个视觉模型上线：V4 Flash Vision 多模态能力解析

引言

就在最近，DeepSeek 第一个多模态视觉理解模型正式上线了。

最新官方 API 文档显示，一款名为 deepseek-v4-flash-vision-exp 的实验性模型已经上线。和此前只能处理文本的 V4 系列不同，新模型正式加入图片理解能力。现在，它不仅能读文字、写代码、调用工具，还能直接查看图片、识别截图中的文字、分析图表，并围绕视觉信息完成后续任务。

一、DeepSeek，终于补上了"眼睛"

从命名来看，deepseek-v4-flash-vision-exp 基于 V4 Flash，后缀中的 vision-exp 表明它目前仍是一款实验性视觉模型。

新模型支持 JPEG、PNG、GIF 和 WebP 四种图片格式。开发者可以直接提交 Base64 编码图片、提供公开访问的图片 URL，或者通过 Files API 上传并引用图片。

它同时兼容 OpenAI Chat Completions、Responses API 与 Anthropic API 格式。

换句话说，现有 Agent 和开发工具不必重新设计整套接口。修改模型名称和图片内容块，就能接入 DeepSeek 的视觉能力。对已经接了 DeepSeek 文本模型的团队来说，接入成本几乎为零。

二、一次最多看 600 张图

这次上线的不只是简单的"看图问答"。官方文档显示，新模型的能力边界相当可观。

单次请求最多可以输入 600 张图片，图片最长边最高支持 8192 像素。具体限制分三档：

• Base64 或外部 URL：单张图片最大 32 MiB
• Files API：单张图片最大 64 MiB
• 包含 file_id 图片时：单次请求图片总量最高 200 MiB

模型还提供不同的图片细节等级。low 模式会将图片缩放至 512×512，速度更快、Token 消耗更低；original 模式保留原图；auto 当前等同于原图模式。

每张图片进入模型前都会按尺寸换算成 Token，单张消耗最高为 384 Token。因此，即使输入超高分辨率图片，成本也不会无限增长。

这让它更适合批量截图分析、长文档检查、数据图表理解，以及需要持续观察界面的视觉 Agent。

三、多模态 Agent，开始逼近 Opus

据官方发布，新模型在多项 Agent Benchmark 上的成绩相比原来的 DeepSeek V4 Flash 提升明显，在依赖视觉理解的 Agent 任务上表现突出，多模态 Agent 能力已接近 Claude Opus 4.8。需要说明的是，该比较尚未出现在 DeepSeek 当前的官方模型文档中，仍需等待更完整的技术说明与第三方测试。

真正值得关注的不是某一个单项分数，而是 DeepSeek 正在把视觉理解与原有的推理、编程、工具调用能力连接起来。

过去的 DeepSeek Agent 主要依靠文本、网页源码和结构化数据理解环境。现在，它可以直接读取软件界面、错误截图、数据图表和图文混排文档，再决定下一步调用什么工具。这补齐了 Agent 理解真实世界信息的一大块拼图——很多场景里，错误信息、UI 状态和图表数据是无法用纯文本完整表达的。

四、价格与 V4 Flash 相同

还是熟悉的味道，价格依旧超级低价。

deepseek-v4-flash-vision-exp 的调用价格与 V4 Flash 保持一致，并采用高峰、空闲两档计费。高峰时段为北京时间 9:00—12:00、14:00—18:00，其余时间为空闲时段。

图片会按尺寸转换为 Token，与文本 Token 一并计费。新模型的并发限制为 2500，与 V4 Flash 相同。

如果后续正式版继续维持这一价格，DeepSeek 很可能会再次压低多模态 Agent 的使用门槛。

写在最后：现在已经可以调用

大家目前已经可以通过 DeepSeek API 访问新模型了。

原有 API 地址保持不变：

https://api.deepseek.com

只需要把模型名称修改为：

deepseek-v4-flash-vision-exp

如果使用 DeepSeek Harness，则需升级至 0.1.1-rc.1 或更高版本。

需要注意几点：

1. 模型名称中的 exp 说明它仍处于实验阶段，能力表现、接口限制和模型版本后续都可能调整
2. 目前也只有这一视觉模型能够接受图片；将图片传给普通的 V4 Flash 或 V4 Pro，会直接返回错误
3. 视觉版暂不支持 FIM 补全
4. 图片在 Chat Completions 与 Anthropic Messages 接口中只能出现在 user 消息里

总结

从 V4 Flash 到 V4 Pro，再到今天的 V4 Flash Vision，DeepSeek V4 的产品结构正在变得更加完整：

• Flash：速度和低成本
• Pro：复杂推理与高规格 Agent
• Vision：图像、截图与界面理解

DeepSeek 的多模态拼图，终于开始补上了。视觉能力与原有推理、编程、工具调用能力的打通，让 DeepSeek 在构建真实世界 Agent 的方向上又前进了一大步。