DeepSeek V4 Flash Vision Exp 发布：DeepSeek 的 Agent 终于能直接看图了

发表于 2026-08-21

DeepSeek V4 Flash Vision Exp 是面向 API 的实验性多模态模型，在保留 Flash 文本和 Agent 能力的同时加入原生图像输入；本文梳理调用方式、基准、价格、图像 Token 与采用边界。

过去几周，DeepSeek V4 Flash 已经可以在 Codex 和 DeepSeek Harness 里读代码、操作终端和调用工具，却有一个很现实的缺口：它看不见截图。

遇到报错界面、网页状态、设计稿和图表时，开发者只能先接另一个视觉模型，把图片转写成文字，再交给 DeepSeek 推理。这条“视觉模型负责看、DeepSeek 负责想”的桥接方案能用，但多了一次模型调用，也可能在转写过程中丢掉细节。

8 月 21 日，DeepSeek 在 API 平台上线 DeepSeek-V4-Flash-Vision-Exp。我的判断是：这次发布不是用视觉能力重新定义 V4 模型家族，而是给 Flash 补上了 Agent 工作流缺少的感知层。它最重要的价值不是“能描述一张猫图”，而是让同一个模型可以从截图、图表和工具返回的图像继续完成推理与操作。

不过，名字里的 Exp 很重要。它目前是实验性 API 模型，不等于已经开放权重、技术报告和稳定版本。

它是实验端点，不是已经开源的新基础模型

按照 DeepSeek API 更新日志，调用时使用的模型 ID 是：

1	deepseek-v4-flash-vision-exp

DeepSeek 对它的官方定位很克制：这是一个新的多模态视觉理解模型，纯文本能力，包括 Agent、推理和世界知识，与正式版 DeepSeek V4 Flash 相当；在需要视觉理解的 Agent 基准中，它相对文本版 Flash 有明显提升，整体接近 Claude Opus 4.8。

这里需要把已经确认和还没有公开的信息分开：

已经确认	截至 8 月 21 日尚未公开
已在 DeepSeek API 平台提供	独立技术报告
支持文字与图像共同输入	模型参数、视觉编码器和训练方法细节
支持 Chat Completions、Responses 和 Anthropic 兼容协议	官方 Hugging Face 权重与模型卡
文本能力被官方描述为与 V4 Flash 相当	正式版发布日期与兼容承诺

因此，不能只凭名字断言它就是 DeepSeek-V4-Flash-0731 加了某个特定视觉塔，也不能把它称为新的开源多模态模型。更准确的说法是：DeepSeek 发布了一个与 Flash 产品层级对齐的视觉实验端点。

它与我之前介绍的 DeepSeek V4 Flash 正式版最大区别，不是文本推理更强，而是请求里终于可以携带原生图像。

三种图片输入，把视觉接进现有 API

DeepSeek Vision 指南支持 JPEG、PNG、GIF 和 WebP，并提供三种图片输入方式：

输入方式	适合场景	主要限制
Base64 内联	本地小图片、单次调用	请求体上限 48 MiB，单图不超过 32 MiB
公网 URL	已有可公开访问的图片	URL 不超过 8192 字符，单图不超过 32 MiB，下载需在 60 秒内完成
Files API `file_id`	大图片或同一图片反复使用	单图可到 64 MiB，需要先上传文件

最简单的 Python 调用仍然使用 OpenAI SDK：

import base64
from openai import OpenAI

client = OpenAI(
    api_key="<DeepSeek API Key>",
    base_url="https://api.deepseek.com",
)

with open("error.png", "rb") as image_file:
    encoded = base64.b64encode(image_file.read()).decode("utf-8")

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "读取报错信息并给出排查步骤。"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{encoded}"
                    },
                },
            ],
        }
    ],
)

print(response.choices[0].message.content)

如果应用已经使用 Responses API，图片改放在 input_image 内容块中；如果使用 Anthropic 兼容的 /messages 接口，则使用 image 和 source 对象。DeepSeek 没有要求开发者采用一套新的私有多模态协议，而是把视觉输入放进现有三套接口。

这对 Agent 集成很重要。DeepSeek Harness、Codex 适配层或自研工具可以继续保留现有会话和工具调用，只需要确认客户端的模型目录允许图像输入，并按照对应协议发送图片。

一次可以传 600 张图，但每张图最多 384 Token

视觉模型最容易被忽略的成本，不是图片文件有多大，而是图片进入模型后会变成多少 Token。

DeepSeek 会在推理前自动缩放图片：像素总量低于约 384×384 的图片会等比例放大；更大的图片会被缩小到总像素约等于 800×800。因此，每张图片最多消耗 384 个输入 Token。一张 2000×2000 图片和一张 5000×5000 图片，缩放后可能消耗相同的图像 Token。

这带来两个相反的结果。

一方面，成本有清楚上界。传入一张高分辨率截图，不会因为原始像素增加而无限放大账单。另一方面，原图越大不代表模型能看到越多细节。过密的表格、小字号日志、长网页截图和精密工程图在缩放后仍可能丢失信息。

API 允许每次请求最多 600 张图片；不含 file_id 图片时，全部图片总大小不能超过 64 MiB，包含 file_id 时总上限可到 200 MiB。如果一次请求包含 15 张或更多图片，单边最大尺寸会从 8192 像素降到 4096 像素。

600 是接口容量，不是使用建议。按每张 384 Token 做上限估算，600 张图片本身就可能占用 230,400 个输入 Token，还没有计算文字、工具定义和历史上下文。批量视觉任务仍然需要分页、筛选和阶段性汇总。

对于不需要细节的图片，还可以设置 detail: "low"，在推理前缩放到 512×512。high 与 original 保留原始处理方式，auto 目前等同于 original。因此，图像路由也可以分层：缩略图分类先用 low，OCR、图表和 UI 细节再使用原始模式。

文本 Agent 能力没有退回去，视觉才是新增变量

DeepSeek 同时公布了九项结果，其中既有终端和代码 Agent 测试，也有图表与视觉推理测试。

先看可以与此前官方版本对照的 Agent 数据：

基准	Vision Exp	V4 Flash 0731	V4 Pro 0813
Terminal Bench 2.1	83.9	82.7	87.9
NL2Repo	57.7	54.2	61.5
DeepSWE	59.3	54.4	62.7
DSBench-Hard	63.6	59.6	67.2
AutomationBench Public	25.7	25.1	31.8
Agents’ Last Exam	27.3	25.2	25.7

这些数字来自 DeepSeek 自己在不同发布日期公布的测试。代码 Agent 公共任务使用 DeepSeek Harness minimal mode、max effort、top_p=0.95 和 temperature=1.0；DSBench-Hard 则是 DeepSeek 内部测试集。它们适合说明官方产品定位，不能替代独立评测。

至少从这套口径看，加入视觉输入没有牺牲 Flash 原有的终端、仓库修改和自动化能力。Vision Exp 大致落在 Flash 与 Pro 之间，个别项目略高于此前 Flash，仍不意味着它在纯文本任务上全面取代 Pro。

视觉相关结果则是：

基准	Vision Exp 官方成绩	主要测试内容
APEX-Agents	36.5 Pass@1	在办公软件中完成投资银行、咨询和法律等长流程任务
Agents’ Last Exam	27.3	跨行业、长时程、可验证的真实工作任务，其中包含多模态材料
Chartography	64.3（p0.95）/ 63.3（p1.0）	读取医疗、金融、制造和工程等专业图表
ZeroBench	35.0 Pass@5	高难度开放式视觉识别与多步推理

Chartography 论文在发布时评测了 30 个前沿模型配置，最高成绩只有 45.0%；ZeroBench 官方页面则把厂商自行报告与项目方独立运行的结果分开展示。DeepSeek 当前只给出了发布数字，没有同时公开完整轨迹、逐题结果或第三方复现。

因此，Chartography 64.3 和 ZeroBench 35.0 很值得关注，但暂时应该写成 DeepSeek 官方报告成绩，而不是已经由独立榜单确认的新纪录。DeepSeek 所说的“多模态 Agent 能力接近 Opus 4.8”，也属于厂商对自身测试的总结。

视觉没有单独加价，但仍按输入 Token 计费

从 DeepSeek 当前价格表看，Vision Exp 与 V4 Flash 使用同一档价格和并发额度：

每 100 万 Token	非高峰	高峰
输入，缓存命中	$0.007	$0.014
输入，缓存未命中	$0.22	$0.44
输出	$0.66	$1.32
并发上限	2500	2500

高峰时段是 UTC 01:00–04:00 和 06:00–10:00，对应北京时间 09:00–12:00 和 14:00–18:00；其他时间执行非高峰价格。

图片转换出的 Token 会与文字输入一起计费，没有另一张按图片张数计算的价目表。按非高峰缓存未命中价格估算，单张图片即使达到 384 Token 上限，输入成本也不到 0.0001 美元；真实任务的主要费用通常仍来自长文本上下文、思考输出、工具循环和失败重试。

模型还支持 100 万 Token 上下文、最大 384K 输出、JSON Output、Tool Calls、Responses API、Anthropic API 和 Chat Prefix Completion。FIM Completion 目前不支持。

低单价让它适合大量截图和工具循环，但“图片便宜”不能代替质量评测。OCR 错一个字符、图表读错一条轴、把按钮状态看反，都可能让后面的低成本推理走向错误方向。

它最适合补上 Agent 的感知层

Vision Exp 的直接使用场景不是泛泛的“图像问答”，而是原来需要视觉桥接的 Agent 工作流：

前端开发：读取设计稿、浏览器截图和响应式布局，再结合代码修改页面；
故障排查：识别终端截图、监控图表和管理后台错误状态；
浏览器自动化：结合页面截图判断弹窗、按钮状态和流程是否完成；
文档处理：把 PDF 页面渲染成图片，读取扫描件、表格和图形；
数据分析：解释 K 线图、Sankey 图、Bode 图和其他专业可视化；
多模态验收：让 Agent 在修改 UI 后查看真实截图，而不是只凭 DOM 或测试日志宣布完成。

这与 DeepSeek Harness 的插件化方向正好拼在一起。Harness 提供浏览器、文件、终端、会话和权限；视觉模型把工具产生的图像重新带回推理循环。Agent 不再需要一个独立模型先写“图片说明书”，再交给文本模型猜测原始画面。

但采用前仍应做三类测试：

感知正确性：小字号 OCR、坐标轴、颜色图例、按钮禁用状态能否稳定识别；
端到端结果：模型看完图片后，是否真的完成修改、验证或决策，而不是只生成一段描述；
失败边界：图片过密、模糊、被缩放或格式异常时，模型会不会明确承认不确定，而不是编造细节。

`Exp` 决定了现在应该怎样使用

DeepSeek V4 Flash Vision Exp 已经不只是发布预告：API 文档、价格表和三套兼容协议都已经上线，可以真实调用。

但它也还不是一个信息完整的正式开源模型。截至 8 月 21 日，DeepSeek 没有为这个精确名称公开 Hugging Face 模型卡、GitHub 权重仓库或独立技术报告。模型架构、视觉训练数据、正式版本路径和第三方复现仍然缺失。

因此，现在最合适的采用方式是：

用实验模型 ID 固定测试，不把它伪装成稳定的 deepseek-v4-flash；
先在截图理解、图表分析和 UI 验收等低风险任务中建立回归集；
对 OCR、金额、坐标和外部写入保留原始图片回读与人工审批；
记录图像数量、detail、Token、工具轮数和失败类型；
等待正式版、模型卡或独立评测，再决定是否替换生产视觉链路。

DeepSeek V4 Flash Vision Exp 没有改变 V4 Flash 是默认执行层、V4 Pro 是更强推理层的基本位置。它填上的，是两者此前都缺少的一块：让 Agent 看见正在操作的世界。

视觉不是多了一个聊天功能，而是 Agent 从“只能读接口返回”走向“能够检查真实结果”的前提。

资料与口径

DeepSeek：API Change Log，模型发布、调用 ID、官方基准与产品定位
DeepSeek：Vision Guide，图片格式、输入方式、Token、detail、协议与限制
DeepSeek：Models & Pricing，上下文、功能、峰谷价格和并发额度
Mercor：APEX-Agents，长流程专业任务的基准定义
Garre 等：Chartography: A Benchmark for Professional Chart Understanding，专业图表任务与发布时基线
ZeroBench：Official project and leaderboard，视觉推理任务、官方运行与外部报告结果的口径差异
查询日期：2026-08-21。Vision Exp 是实验模型，API 能力、价格、限制和基准结果可能继续变化，生产采用前应重新核对官方文档。