DeepSeek 上线多模态视觉模型 V4-Flash-Vision-Exp
2026 年 8 月 21 日，DeepSeek 在官方 API 平台悄然上线了一个全新的多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp（模型名 deepseek-v4-flash-vision-exp）。这是 DeepSeek V4 系列首次通过官方 API 正式开放视觉输入，从此开发者可以直接让 DeepSeek“看图”，并把视觉能力接进 Agent 工作流。
文本能力持平 V4-Flash，多模态 Agent 逼近 Opus-4.8
官方介绍，DeepSeek-V4-Flash-Vision-Exp 在纯文本能力（Agent、推理、世界知识）上与 DeepSeek-V4-Flash 正式版持平；而在需要视觉理解的多模态 Agent Benchmark 上，相比 V4-Flash 实现了大幅跃升，多模态 Agent 能力已接近 Opus-4.8。
虽然 DeepSeek 并未公布架构与视觉 Benchmark，但深度的后训练让它在多项 Agent 测试上比 V4-Flash-0731 有明显提升：
| 测试项 | V4-Flash-0731 | V4-Flash-Vision-Exp |
|---|---|---|
| Terminal Bench 2.1 | 82.7 | 83.9 |
| NL2Repo | 54.2 | 57.7 |
| DeepSWE | 54.4 | 59.3 |
| Toolathlon-Verified | 70.3 | 75.9 |
| DSBench-Hard | 59.6 | 63.6 |
| AutomationBench | 25.1 | 25.7 |
| Cybergym | 76.7 | 75.3 |
其中 Toolathlon 提升 5.6 分、DeepSWE 提升 4.9 分，这两项恰好都与工具调用、真实代码库修改和长周期 Agent 执行密切相关，说明视觉能力可能不是简单地在 V4-Flash 外面接一个编码器，而是在后训练或多模态 Agent 训练中，同步改善了模型理解环境、规划任务和调用工具的能力。
与 Opus-4.8 相比，Vision-Exp 在多数文本 Agent 测试上仍稍弱（如 NL2Repo 低约 12 分、DSBench-Hard 低 8.1 分），但在 DeepSWE 上 59.3 反超 Opus-4.8 的 58.0，Toolathlon 也只落后 0.3 分。更准确的说法是：文本 Agent 能力整体接近 Opus-4.8，但尚未全面超越。
怎么用：三种接口 + 三种图片传入方式
开发者只需要把模型名设为 deepseek-v4-flash-vision-exp 即可调用，base_url 无需变更。多模态 API 支持 Chat Completions、Messages、Responses 三种调用格式，可方便地接入各类 Agent 工具，并支持图文混合输入。
图片可以通过三种方式传入：
- base64 内联：直接把图片转为 base64 塞进请求。
- 外部 URL：传入图片的公开链接。
- Files API：先把图片上传到平台，拿到
file_id后在请求中引用。
后者是这次同步上线的 Files API（免费），同一张图片在多个请求中无需重复上传，能显著节省请求带宽。
定价不变，图像按 Token 计费
图片在 API 服务中会转换成 Token 后按 Token 计费，一张图片最多占 384 个 Token，计费价格与 V4-Flash 一致，并没有因为加入视觉能力而涨价。
V4-Flash-Vision-Exp 的价格与 V4-Flash 一致（每百万 Token，北京时间 2026-08-17 起）：
| 计费项 | 空闲时段 | 高峰时段 |
|---|---|---|
| 缓存命中输入 | 0.05 元 | 0.10 元 |
| 缓存未命中输入 | 1.5 元 | 3.0 元 |
| 输出 | 4.5 元 | 9.0 元 |
高峰时段为北京时间 09:00–12:00、14:00–18:00（其余为低谷时段），低谷价为高峰价的一半；从 2026-08-23 起，周末更是全天按低谷价计费。真正的成本取决于 DeepSeek 如何按尺寸把图片折算成 Token，完整的图像 Token 计算规则还需等待官方披露。
为什么先给 Flash 而不是 Pro
值得注意的一个信号是：这次视觉能力被放进了 V4-Flash 产品线，而不是 V4-Pro。V4-Flash 本身只有 284B 总参数、13B 激活参数，定位是高吞吐、低成本。如果 Vision 版延续这一定位，它瞄准的很可能不是单纯的图片聊天，而是大量发生在 Agent 里的视觉任务：读网页截图、识别报错界面、分析图表、查看软件 UI、读取设计稿，再根据图片继续操作电脑或修改代码。
第二个信号来自定价。DeepSeek 没有因为加入视觉能力而涨价，而是把新能力压进现有 Token 计价体系，延续了一贯的产品逻辑。
第三个信号是明确的 Exp（Experimental）后缀。DeepSeek 有着类似的演进路径：先用实验版本验证架构、让开发者跑真实场景，再决定正式版方向。Vision-Exp 很可能承担类似的角色——先把模型交给开发者，在真实图片与 Agent 工作流中寻找问题，再迭代出正式版。
补上 Agent 的“眼睛”
过去一周，DeepSeek 刚开源了自己的 Agent Harness，模型、工具、技能、会话、沙箱、存储和 Agent Loop 被放进一套可组合的框架。但此前 Harness 的讨论区里“怎么让 DeepSeek 看图”一直是高频问题——开发者上传图片时，Harness 会直接返回 MODEL_DOES_NOT_SUPPORT_IMAGES。
社区只能自建“视觉桥梁”：有人在前端接 Qwen-VL 把图片转成文字，有人修改 Harness 把图片先存到工作区，甚至出现了 dsh-deepseek-vision 这样的 vision bridge 插件。
V4-Flash-Vision-Exp 的上线，开始把这一块能力补上。它拥有 1M 上下文、最大输出 384K，支持 JSON Output、Tool Calls、Responses API、Anthropic API 以及对话前缀续写，与开源 Harness 的“原生图片请求”支持正好形成闭环。
对开发者来说，这是一次低成本、低门槛的尝试：模型以实验性质开放，价格与 V4-Flash 持平，却又额外多了一双“眼睛”。接下来值得期待的是 DeepSeek 会如何把视觉、文件、工具、Agent 执行链真正连在一起，以及实验版之后，正式版能带来多少惊喜。
