DeepSeek V4-Flash-Vision-Exp 上线：多模态 API 服务正式开放
发生了什么
DeepSeek API 平台今天上线了一个新模型：V4-Flash-Vision-Exp。它是实验性质的，为 V4-Flash 系列增加了图片理解能力。调用方式很直接 —— 在 API 请求里设置 model='deepseek-v4-flash-vision-exp' 即可。
这不是一个新底座模型。它是 V4-Flash 加上视觉能力。真正的问题是：加视觉后，它保留了什么，又改变了什么。
关键数据
文本能力 —— Agent 任务、推理、世界知识 —— 与 DeepSeek-V4-Flash 正式版持平。在这个维度上，没有牺牲。
在需要视觉理解的 Agent 基准测试上，V4-Flash-Vision-Exp 相比 V4-Flash 有大幅提升。差距大到 DeepSeek 把它定位为接近 Opus-4.8 的多模态 Agent 水平。
实际含义：这个模型能读图，同时没有丢掉 V4-Flash 在文本上的速度和成本优势。
| 能力维度 | V4-Flash | V4-Flash-Vision-Exp |
|---|---|---|
| 文本（Agent、推理、知识） | 基线 | 与 V4-Flash 持平 |
| 多模态 Agent | 不支持 | 大幅提升，接近 Opus-4.8 |
| API 价格 | $0.14 / 百万 tokens | 与 V4-Flash 一致 |
| 图片 token 成本 | — | 每张图最多 384 tokens |
视觉能力为什么改变 Agent 工作流
纯文本模型能执行指令。能看图的模型还能判断指令执行出来的结果长什么样。这个差别打开了以前不实际的新场景。
示例 1：Agent 框架内生成定制 PPT
提示词要求做一份西藏自驾游 PPT，面向高净值客户，走野性、探索感路线，用真实摄影风格配图，最后给三种真实定价方案。模型接到需求后，规划路线、组织内容、生成幻灯片，产出一份完整的演示文稿。
关键点：从一句描述性提示词到一份可用的商业交付物，都在 Agent 循环内完成。
示例 2：网站二次创作
同一个模型拿 DeepSeek Harness 官网做二次创作。设计 brief：黑蓝深海、玻璃 UI、ASCII 原子像素。经过多轮迭代，最终产出一个未来主义风格的开发者网站。
这类任务里视觉能力很关键：模型不是在改文案，而是在对照视觉 brief 逐轮调整设计产出。
示例 3：前端动画 Demo
一个描述「一群可爱的 3D 黏土小怪物加入跃动的复古舞池派对」的提示词，被模型写成了一个可交互的 Mini Demo。模型写了前端代码，并持续调整视觉效果直到符合 brief。
API 接入方式
该模型通过 DeepSeek 标准 API 提供。设置：
model = 'deepseek-v4-flash-vision-exp'图片会被转为 tokens 计费，按 V4-Flash 价格。每张图片最多消耗 384 tokens。
支持三种 API 格式：Chat Completions、Messages、Responses。图片输入支持三种方式 —— base64 内联、外部 URL、以及新的 Files API。
Files API 同步上线
配合视觉模型，DeepSeek 同时开放了 Files API。这个 API 不收费。流程是：上传一张图片，拿到 file_id，之后在所有请求里直接用这个 ID 引用，不需要重复上传。
对大规模调用 API 的团队 —— Agent 流水线、批处理、生产集成 —— 这能减少请求体积，去掉反复上传的开销。
这意味着什么
V4-Flash 本来就已经是市场上性价比最高的模型之一。V4-Flash-Vision-Exp 保持这个价格，同时加上了视觉能力。这个组合让它成为 Agent 框架里值得认真考虑的选项 —— 需要看图，但不想付出额外成本。
实验性质的标签值得关注。DeepSeek 还在测试这个模型，稳定版什么时候来、能力会不会调整，都还没定。早期使用者需要留意后续变化。
总结
- 文本能力：与 V4-Flash 不变
- 视觉能力：新增，Agent 基准接近 Opus-4.8
- 价格：与 V4-Flash 一致，图片最多 384 tokens/张
- 接入：标准 API + 新的 Files API（图片复用）
如果你的 Agent 工作流涉及视觉输出或图片输入，V4-Flash-Vision-Exp 值得跑一轮试试。
