DeepSeek 多模态模型上线！能看懂图片吗？

一、DeepSeek–V4-Flash-Vision-Exp 是什么？

一句话答案：DeepSeek 于 2026 年 8 月 21 日上线了全新的多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp（实验版），开发者把 API 的 model 设为 deepseek-v4-flash-vision-exp 就能调用——这是 DeepSeek 在 API 平台首次正式开放「看得懂图片」的视觉能力，而且纯文本能力没有缩水。

更直白的理解：以前 DeepSeek 网页端识图靠的是内部能力，现在视觉理解做成了独立的 API 模型，开发者可以像调用 V4-Flash 一样把它接进自己的应用、Agent 和工具链。

二、能力到底怎么样？和 V4-Flash 比强在哪？

据 DeepSeek 官方公告：在纯文本的 Agent、推理和世界知识等能力上，V4-Flash-Vision-Exp 与 V4-Flash 正式版保持同一水平；而在需要视觉理解的 Agent 基准上，它相比 V4-Flash 实现了大幅跃升，多模态 Agent 能力已接近 Opus-4.8。

官方与第三方博主整理的基准参考（以官方公布为准）：

Agent 基准：Terminal Bench 2.1 83.9、NL2Repo 57.7、DeepSWE 59.3、DSBench-Hard 63.6、AutomationBench 25.7。
综合/视觉类：ApexBench（Pass@1）36.5、Agents’ Last Exam 27.3、Chartography 64.3（p0.95）、ZeroBench（Pass@5）35.0。

简单说：文字功底不掉队，多出来的视觉能力是真增量——这也是它叫「Flash + Vision」的原因。

三、官方演示了哪些真实场景？

能力落到场景里才有意义，官方展示了三个例子：

西藏自驾游 PPT：为高端私人定制旅行服务生成「藏南+藏北、一个月、自驾游」攻略 PPT，风格要求野性、粗粝、有探索感，配真实摄影质感图片，并给出三种定价方案，面向高净值客户。
DeepSeek Harness 官网二次创作：用黑蓝深海、玻璃 UI、ASCII 原子像素等视觉要素，经多轮交互重构出未来主义风格的开发者网站。
前端 Mini Demo：让一群 3D 黏土小怪物在跃动的复古舞池里蹦迪的动效 Demo。

另外，DeepSeek Harness 已第一时间接入该模型并支持上传图片（升级到 0.1.1-rc.1 及以上即可），以后可以直接用 DeepSeek 验收前端网站效果。站内收录的 DeepSeek Harness 详情页可以了解这个 Agent 工具。

四、API 怎么调用？怎么计费？

调用方式：设置 model=’deepseek-v4-flash-vision-exp’，支持 Chat Completions、Messages、Responses 三种格式，方便接入各类 Agent 工具。
图片传入：支持图文混合输入，图片可用三种方式传入——base64 内联、外部 URL、Files API。
计费规则：图片会先转换成 token 再按 token 计费，一张图片最多占 384 tokens，计费价格与 V4-Flash 一致（百万 tokens 输入约 1 元、输出约 2 元的量级，以官方定价页为准）。
Files API（免费）：可先把图片上传到平台，请求里通过 file_id 引用；同一张图片在多个请求中无需重复上传，节省请求带宽。

开发者可直接到站内收录的 DeepSeek API 开放平台详情页查看接入信息。

五、一个省钱骚操作：长文本可以「拍成图」

这次计费有个很有意思的点：一张图片最多只占 384 tokens。如果你的文本特别长（比如几千字的文档），直接塞文本要花几千 token；但把它转成图片再喂给模型，成本可能直接降一个量级——这也是社区第一时间想到的用法（DeepSeek 此前发布的 DeepSeek-OCR 就在做「信息压缩」，把长文档压进图片里）。

不过要注意：这个玩法是否划算，取决于模型对「图片里的文字」的识别准确率，属于社区探索的用法，正经业务场景还是按官方文档来，别拿关键任务赌。

六、高频 FAQ

Q：这个模型免费吗？
A：API 按 token 计费，价格与 V4-Flash 一致；图片单张最多 384 tokens，具体以官方定价页为准。
Q：普通用户网页端能用吗？
A：目前是 API 模型 + DeepSeek Harness 支持，网页/App 是否开放识图以官方公告为准。
Q：和 V4-Flash 是什么关系？
A：同一个家族的兄弟：V4-Flash 是纯文本性价比版，Vision-Exp 在它基础上加了视觉理解，文本能力与 V4-Flash 持平。
Q：能替代 Opus-4.8 吗？
A：多模态 Agent 能力接近 Opus-4.8（据官方），但它是实验模型，生产环境建议先小流量验证。
Q：一张图最多 384 tokens 是什么意思？
A：图片进入 API 前会先缩放处理，再转成 token 计费，单张封顶 384 tokens，所以单图成本可控。
Q：和 DeepSeek-OCR 什么关系？
A：OCR 专注文字识别与信息压缩，Vision-Exp 是通用视觉理解 + Agent 能力，两者互补，都体现 DeepSeek「图像进、token 出」的思路。

总结：DeepSeek 补齐了多模态这块拼图：价格不变、文本不掉队、视觉 Agent 逼近 Opus-4.8，还顺手开放了免费的 Files API。想用 DeepSeek 看图的开发者可以直接上 DeepSeek API 开放平台；普通用户可关注 DeepSeek 详情页与 DeepSeek 网页版的后续开放。