DeepSeek多模態模型終於來了！一張圖最高只要0.001元

（公眾號：zhidxcom） 作者 | 陳駿達 編輯 | 李水青 8月21日報道，就在剛剛，DeepSeek宣佈全新的多模態視覺理解模型DeepSeek-V4-Flash-Vision-Exp（實驗性質模型）上線DeepSeek API 平臺。DeepSeek同步公佈了這一模型的詳細基準測試結果。根據模型名字推測，DeepSeek-V4-Flash-Vision-Exp是在DeepSeek-V4-Flash基礎上打造的，基準測試中其純文本能力（Agent、推理、世界知識等）與DeepSeek-V4-Flash正式版持平。

在需要視覺理解的Agent Benchmark上，DeepSeek-V4-Flash-Vision-Exp相比DeepSeek-V4-Flash實現了大幅提升，多模態Agent能力已接近Opus 4.8。要使用這一模型，開發者需將模型參數設置為deepseek-v4-flash-vision-exp，即可通過API調用V4-Flash-Vision-Exp的圖像理解能力。計費上，圖片會先轉換為token再計入用量，單張圖片最多按384 tokens計算，價格與V4-Flash模型持平。據此計算，高峰時段用該模型理解一張圖片的最高價格為0.001152元。

調用方式上，這套多模態API同時兼容Chat Completions、Messages、Responses三種格式，支持圖文混合輸入，方便接入各類Agent工具；圖片傳入支持base64內聯和外部URL兩種方式。此外，DeepSeek還同步上線了免費的Files API，開發者可以先把圖片上傳到平臺，後續請求中憑file_id直接引用，同一張圖片無需重複上傳，能省下一筆重複傳輸的開銷。DeepSeek官方稱，V4-Flash-Vision-Exp在各類Agent框架內展現出了較好的多模態適配能力，能夠有效支持用戶藉助多樣化的Agent工具解鎖更多實用的工作場景。

比如，用戶可以用V4-Flash-Vision-Exp製作PPT內容，模型可以理解真實攝影圖片風格、野性、原始、探索感等較為抽象的風格化要求。V4-Flash-Vision-Exp還可以被用於視覺編程任務，比如對DeepSeek Harness官網進行二次創作，加上黑藍深海、玻璃UI和ASCII原子像素等視覺要素。可以看到，V4-Flash-Vision-Exp打造的網頁視覺特效還是較為精美的，動畫流暢，文字質感不錯。

值得一提的是，8月19日，DeepSeek Harness已經先行更新，將多模態能力作為升級重點，覆蓋多模態輸入、子代理協作、終端體驗、工具調用和開發者支持等多個方向，既補齊了Agent處理圖片等多模態任務的能力，也進一步完善了子代理協作、終端交互和工具調用體驗。今天，DeepSeek Harness再次更新，DeepSeek模型適配器新增DeepSeek-V4-Flash-Vision-Exp多模態模型選項，並支持配置原生圖片請求。結語：DeepSeek多模態API，終於補齊 多模態理解早已是主流大模型的標配能力，截圖、文檔、網頁、UI界面，許多真實工作大多繞不開看圖這一步。

但在這條賽道上，DeepSeek長期是個例外，直到今年4月底，DeepSeek才以灰度測試的方式上線識圖模式，6月在網頁端和App全量開放，而面向開發者的多模態API，則一直等到了今天。隨著DeepSeek多模態模型的上線，DeepSeek Harness+V4-Flash-Vision-Exp的組合可能會衍生出更多有趣玩法。這一模型還符合DeepSeek一貫的定價風格，多模態調用的價格門檻，大概率還會被再拉低一檔。