期待了很久的DeepSeek多模态视觉模型终于上线了

大家好，我是晓凡。

等了这么久，DeepSeek 终于有视觉模型了。8 月 21 日，DeepSeek 悄悄上线了多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，DeepSeek 终于自己能看图了。

---

一、这是个什么模型？

先说定位。V4-Flash-Vision-Exp 是一个实验性质的模型，你可以理解为 DeepSeek 在视觉方向的第一个正式产物。它有两个特点：

1. 文本能力没缩水：在 Agent、推理、世界知识这些纯文本任务上，跟 V4-Flash 正式版持平，没有因为加了视觉模块就变弱。
2. 视觉理解是新增的：在需要看图的 Agent Benchmark 上，相比 V4-Flash 实现了大幅跃升，官方说法是"多模态 Agent 能力已接近 Opus-4.8"。

翻译成人话就是：原来 DeepSeek 只能读字，现在能看图了，而且看图干活的能力跟 Claude Opus 差不多在一个量级。对于做 Agent 开发的人来说，这意义很大，因为很多实际场景里，光靠文字描述是不够的，模型得能"看"才行。

支持的图片格式：JPEG、PNG、GIF、WebP，主流格式全覆盖。

---

二、基准测试：它到底有多强？

官方这次直接给出了 V4-Flash-Vision-Exp 跟 V4-Flash、Opus-4.8 的对比。结论很清晰：

纯文本能力基本持平

在 Code Agent、推理、世界知识这些纯文本基准测试上，V4-Flash-Vision-Exp 和 V4-Flash 打平。这意味着你原来用 V4-Flash 写的文本任务、Agent 流程，换成这个视觉版不会掉链子。

多模态 Agent 能力大幅跃升

到了需要看图的 Agent Benchmark（比如 ApexBench、Agents' Last Exam 这类测评），V4-Flash 因为没视觉能力，基本会忽略其中的多模态元素。而 V4-Flash-Vision-Exp 不仅能看图，还能把视觉信息和文本任务结合起来做推理，表现接近 Opus-4.8。

这意味着什么？做 Agent 的小伙伴可以开始把"看"这个维度加进去了。比如截图识别、UI 自动化、文档理解这些场景，原来只能通过其他多模态模型识图，把图片转换成文字再投喂给DeepSeek，现在可以端到端扔给自己模型处理了。

---

三、多少钱？

这个可能是大家最关心的。好消息是：计费价格跟 V4-Flash 一模一样，图片不额外加价，而是换算成 token 跟文本一起计费。

项目	空闲时段	高峰时段
输入（缓存命中）	0.05 元/百万 tokens	0.10 元/百万 tokens
输入（缓存未命中）	1.5 元/百万 tokens	3.0 元/百万 tokens
输出	4.5 元/百万 tokens	9.0 元/百万 tokens

几个要点说清楚：

• 高峰时段：北京时间 9:00-12:00、14:00-18:00，其余都是空闲时段。空闲时段价格直接半价，这个区分挺实在的。
• 图片怎么算钱 ：图片会根据尺寸换算成 token，一张图最多占 384 个 tokens 。具体换算逻辑是：小于约 384×384 的图会被等比放大，大于这个尺寸的会被等比缩小到约 800×800 的总像素量。所以不管你丢进去一张 2000×2000 还是 5000×5000 的图，经过缩放后消耗的 token 数是一样的，封顶就是 384 个 token。
• 并发限制：2500，跟 V4-Flash 一样。
• 另外有个 Files API 也同步上线了，不收费。可以先上传图片拿到 file_id，后面多个请求复用，不用每次重复传，省带宽。

如果你想精确估算某张图的 token 消耗，DeepSeek 官方提供了一个图片 Token 计算器，输入宽高就能出结果。比如 1920×1080 的截图，预估消耗 369 个 tokens，离 384 的上限很近了。

---

四、识图能力能干嘛？

光说参数没意思，说说实际能干什么。结合官方信息和文档，V4-Flash-Vision-Exp 的视觉能力主要用在这些场景：

• 看图说话：丢一张图让它描述内容、识别图中文字
• 截图分析：前端报错截图、UI 设计稿，让它看懂并给出修复方案或还原代码
• 图表理解：丢一张数据图表，让它分析趋势、提取关键数据
• 文档识别：识别文档页面、表格内容
• Agent 场景：这是重点。在 Agent 框架内，模型可以同时接收文字和图片输入，然后调用工具完成任务。比如看一张设计图直接生成前端页面，或者根据截图信息执行操作。

官方给了 3 个演示案例：

示例 1：生成商业定制西藏自驾游 PPT，要求高端大气、野性粗粝，最后给三种定价方案。

示例 2：对 DeepSeek Harness 官网进行二次创作，用黑蓝深海、玻璃 UI 和 ASCII 像素风格重构。

示例 3：制作黏土怪物风格动态特效的前端 Mini Demo。

---

五、3 个实操案例提示词

官方的案例偏展示，我给大家准备了 3 个更贴近日常使用的提示词，可以直接拿去试：

案例 1：看 UI 截图还原前端代码

请看这张 UI 设计截图，帮我用 HTML + Tailwind CSS 还原这个页面布局。要求：1）整体布局 1:1 还原；2）配色用截图中的实际色值；3）先给我完整 HTML 代码，再说明你识别到的关键设计元素。

案例 2：分析数据图表并生成文字摘要

这是一张影片票房详情截图。请帮我：1）读出图表中的关键数据点；2）识别增长趋势和异常波动；3）用一段话总结基本情况。

案例 3：识别架构图并转为结构化文档

这是一张我们系统架构的白板手绘照片。请帮我：1）识别图中的所有组件和它们之间的连接关系；2）将识别结果整理成 Markdown 格式的架构文档，包含组件列表、数据流向说明；3）如果有些地方看不清楚，标注出来让我确认。

---

六、怎么调 API？

调 API 不复杂，跟 OpenAI 格式完全兼容。核心就是 content 传一个数组，里面放文本块和图片块。

方式一：Base64 内联（本地图片最简单）

import base64
from openai import OpenAI

client = OpenAI(api_key="<你的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": "这张图片里有什么？"},
                {
                    "type": "image_url",
                    "image_url": {"url": f"data:image/jpeg;base64,{b64}"},
                },
            ],
        }
    ],
)
print(response.choices[0].message.content)

方式二：外部图片 URL

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "描述一下这张图片。"},
                {"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}},
            ],
        }
    ],
)

URL 方式有限制：链接最长 8192 字符，图片最大 32 MiB，需 60 秒内下载完。

方式三：Files API（多请求复用同一张图）

# 先上传图片（通过 Files API），拿到 file_id
response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "这张图片里有什么？"},
                {"type": "file", "file_id": "file-api-xxxxxxxxxxxxxxxx"},
            ],
        }
    ],
)

Files API 方式的图片最大可达 64 MiB，而且不受 32 MiB 单图限制。

除了上面三种方式，模型还支持通过 Anthropic API （/messages 端点）和 Responses API 调用，三种格式的图片传入方式都覆盖了，接入现有 Agent 工具链很方便。

有个小技巧：image_url 可以传 detail 参数控制精度。low 会把图缩到 512×512，更快更省 token；original 保留原图。不需要精细细节的时候用 low 就行。

最后贴一下官方文档里的限制表，调用前最好扫一眼：

---

七、怎么在 DeepSeek Harness 里用？

DeepSeek Harness 也同步更新了，支持视觉模型。操作很简单：

第一步：将DeepSeek Harness更新到最新版

npm install -g @deepseek-ai/dsh@latest

第二步：配置模型

在 Harness 配置里选择 deepseek-v4-flash-vision-exp。Harness 会自动适配图片请求，不需要额外配置转换层。

第三步：用起来

直接把牛来的宣传海报丢给它，然后让它帮分析下

简单说就是：更新 Harness → 选模型 → 丢图 → 干活。跟原来用纯文本模型一样，只不过现在能看图了。

如果你是在 Codex 里用 DeepSeek，可以通过 CC Switch 配置，获取模型列表后切换到 deepseek-v4-flash-vision-exp 即可。

① 配置deepseek

② 获取并选择deepseek-v4-flash-vision-exp模型

---

写在最后

DeepSeek 这个视觉模型来得不算早，但价格确实有诚意。跟 V4-Flash 同价，空闲时段输入缓存命中只要 0.05 元/百万 tokens，图片封顶 384 token，试错成本很低。

模型名字带个 "Exp"（实验性），说明还在迭代，但能力已经接近 Opus-4.8 了，后续正式版应该会更强。对于做 Agent 开发、需要视觉理解能力的场景，现在就可以上手试了。

官方文档链接放这里，想了解更多的小伙伴看过来：

• 发布公告
• 价格详情
• 图像理解指南

我是晓凡，再小的帆也能远航。热衷于分享一些好玩的实用的干货内容。

如果你觉得今天这篇有收获，欢迎 点赞、在看、转发 三连，我们下篇见。