DeepSeek 的多模态模型终于来了。4 月开始灰度内测识图、6 月端上网页版与 App 之后，2026 年 8 月 21 日，DeepSeek 实验性视觉理解模型 DeepSeek-V4-Flash-Vision-Exp 正式上线 API 平台。这个被网友戏称”给鲸鱼开眼”的模型，最核心的变化就是原生支持图片输入——虽然图片生成依然没有。
与纯文本版本 DeepSeek-V4-Flash 相比，它在纯文本能力（Agent、推理、世界知识等）上完全持平；但在需要视觉理解的 Agent Benchmark 上实现了大幅跃升，多模态 Agent 能力已接近 Opus-4.8。这就把一批此前因”模型没长眼睛”而无法落地的 Agent 场景（前端开发、PPT、看图对话）真正解锁了。
一图看关键信息
| 项目 | 详情 |
|---|---|
| 模型 ID | deepseek-v4-flash-vision-exp（实验性质） |
| 上线时间 | 2026-08-21 |
| 文本能力 | 与 DeepSeek-V4-Flash 正式版持平 |
| 视觉 Agent | 相比 V4-Flash 大幅跃升，接近 Opus-4.8 |
| 图片格式 | JPEG / PNG / GIF / WebP（按文件内容识别，不看名称或 MIME） |
| 计费 | 图片按 token 计费，每张最多 384 tokens，价格与 V4-Flash 一致 |
| 调用协议 | Chat Completions、Messages、Responses 三种 |
| 图片传入 | base64 内联、外部 URL、Files API 三种方式 |
平衡文本与多模态
官方给出的定位是”平衡文本与多模态能力”：没有为了迁就多模态而牺牲纯文本表现。在公开基准的 Agent、推理、世界知识等纯文本任务上，Vision-Exp 与 V4-Flash 保持一致；而一旦进入需要”看”的 Agent Benchmark，它的表现相比 V4-Flash 实现了大幅跃升，多模态 Agent 能力已经接近 Opus-4.8。
这套平衡让新模型能无缝继承此前 DeepSeek-V4 系列积累的文本 Agent 生态，同时补上视觉这块最大的短板——尤其对前端开发这类”看不了图就没法反馈迭代”的场景，价值是实打实的。
解锁更多 Agent 场景
由于多模态能力打开，官方与社区展示了大量此前 DeepSeek 模型做不到的玩法：
- PPT 生成：纯文本模型”盲画”PPT 很容易崩，Vision 模型能结合视觉版式输出，白领场景最佳受益者。
- 网页二次创作：让模型读取现有页面视觉，做未来主义风格的官网重构（官方 demo 用”黑蓝深海、玻璃 UI、ASCII 原子像素”重构了 DeepSeek Harness 官网）。
- 前端 Mini Demo：根据图片灵感生成黏土怪物风格的动态特效页面，验证模型的审美与前端执行力。
搭配 DeepSeek Harness（DSH） 使用效果更佳：DSH 本次同步更新，正式原生支持”第一方”多模态模型，可以直接在最新版里选择这个视觉模型，把”看 + 推理 + 工具”串成完整的 Agent 闭环。
计费：看图到底多少钱
多模态 API 的计费逻辑是图片先转成 token，再按 token 计费，价格与 V4-Flash 模型完全一致。每张图片最多占 384 tokens。
按”高峰时段 + 缓存未命中”折算人民币，看一张图大约 0.12 分钱；即便每张都占满 384 tokens，1 分钱理论上能看约 9 张图。作为对比，OpenAI 的 Image 2 看一张要 2.06 分——比 DeepSeek 贵了将近 20 倍。对高频看图、批量截图分析的开发者来说，成本优势非常明显。
API 接入速览
设置 model='deepseek-v4-flash-vision-exp' 即可访问，base_url 为 https://api.deepseek.com。API 支持图文混合输入，并兼容三种调用协议：Chat Completions、Messages（Anthropic 兼容）、Responses。
图片传入有三种方式，都基于 OpenAI 兼容的 content 数组块格式：
- base64 内联：把图片编码成
data:URL 直接塞进请求，最简单，适合本地文件（受 48 MiB 请求体大小限制）。 - 外部 URL：传一个公网可访问的 http(s) 链接让模型下载。URL 最长 8192 字符，图片最大 32 MiB，下载需在 60 秒内完成。
- Files API 引用：先用 Files API 把图片上传一次，之后通过
file_id引用。适合同一张图多次复用，或请求体超过内联上限的场景。经 Files API 传入的图片最大可达 64 MiB，不受 32 MiB 单图检查约束。
用 Python SDK 做一次最简单的识图：
import base64
from openai import OpenAI
client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")
with open("image.jpg", "rb") as f:
b64 = base64.b64encode(f.read()).decode("utf-8")
response = client.chat.completions.create(
model="deepseek-v4-flash-vision-exp",
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "What is in this image?"},
{"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
],
}],
)
print(response.choices[0].message.content)等效的 curl 请求：
curl https://api.deepseek.com/chat/completions \
-H "Content-Type: application/json" \
-H "Authorization: Bearer <DeepSeek API Key>" \
-d '{
"model": "deepseek-v4-flash-vision-exp",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "Describe this image."},
{"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,<BASE64_DATA>"}}
]
}]
}'Files API 同步上线（免费）
配合多模态 API，DeepSeek 也开放了 Files API，且不收费。用户可先把图片上传到平台，再在请求里通过 file_id 引用，从而节省请求带宽；同一张图片在多个请求中无需重复上传。详细用法见官方 API 指南 - Files API。
小结
- DeepSeek-V4-Flash-Vision-Exp 是等待四个月后上线的实验性多模态模型，原生支持图片输入（图片生成仍不支持）。
- 纯文本能力与 V4-Flash 持平，视觉 Agent Benchmark 大幅跃升、接近 Opus-4.8，解锁前端、PPT、图文对话等场景。
- 价格与 V4-Flash 一致，图片每张最多 384 tokens；1 分钱约看 9 张图，较 Image 2 便宜近 20 倍。
- 支持 Chat Completions / Messages / Responses 三种协议，图文混合输入，base64、外部 URL、Files API 三种传图方式；Files API 同步免费开放。
- DeepSeek Harness 同步原生支持第一方多模态模型。
参考：DeepSeek 官方新闻（V4-Flash-Vision-Exp 上线） · API 指南 - 图像理解 · 量子位实测《1分钱9张图！DeepSeek视觉模型连夜实测》
