DeepSeek 多模态 API 调用完全指南：从调用到效果，一篇讲透

2026年8月21日，DeepSeek 正式上线 V4 系列首款视觉模型 DeepSeek-V4-Flash-Vision-Exp，开放多模态 API 服务。这是 DeepSeek 从纯文本大模型正式迈入多模态 Agent 赛道的重要一步。本文将从 API 调用、实际效果、中间层架构三个维度，帮你一次讲透。

---

一、模型速览

项目	详情
模型名称	DeepSeek-V4-Flash-Vision-Exp
性质	实验性模型
上线日期	2026年8月21日
基于	DeepSeek-V4-Flash 正式版
总参数量	2840 亿（284B），激活参数 130 亿（13B/每 token）
架构	Mixture-of-Experts (MoE)
上下文窗口	1,048,576 tokens（约 100 万）
最大输出	384,000 tokens
默认并发限制	2,500 请求
是否开源	权重未开源

核心能力定位 ：在纯文本能力（Agent、推理、世界知识等）上与 DeepSeek-V4-Flash 正式版完全持平 ；在需要视觉理解的 Agent Benchmark 上实现大幅跃升 ，多模态 Agent 能力已接近 Claude Opus 4.8。

简单来说：DeepSeek 不再只是"别人负责看、DeepSeek 负责想"，而是变成了"自己看、自己理解、自己推理、自己调用工具完成任务"的完整 Agent 闭环。

---

二、如何调用 API

2.1 调用入口

只需将 model 参数设置为 deepseek-v4-flash-vision-exp，即可通过 DeepSeek API 调用视觉理解能力。

# 最简调用示例
from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com",
    api_key="YOUR_API_KEY"
)

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请描述这张图片的内容"},
                {"type": "image_url", "image_url": {"url": "https://example.com/chart.png"}}
            ]
        }
    ]
)

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

2.2 三种 API 调用格式

本次多模态 API 同时兼容三种格式，方便接入各类 Agent 工具：

格式	说明
Chat Completions	标准 OpenAI 兼容格式，支持图文混合输入
Messages	Anthropic 兼容格式
Responses	DeepSeek 原生格式

三种格式均支持图文混合输入，在用户消息中同时包含文本和图片即可。

注意：图片只能出现在用户消息中。如果图片出现在 system 或 assistant 消息中，会返回 400 错误。

2.3 三种图片传入方式

方式	说明	适用场景
Base64 内联	将图片编码为 Base64 字符串直接嵌入请求体	小图片、离线环境
外部 URL	提供图片的 HTTP/HTTPS 链接	图片已托管在服务器
Files API	先上传图片获取 file_id，后续请求中引用	同一图片反复使用、省带宽

方式一：Base64 内联

import base64

with open("screenshot.png", "rb") as f:
    img_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": "分析这张截图中的错误信息"},
            {"type": "image_url", "image_url": {
                "url": f"data:image/png;base64,{img_b64}"
            }}
        ]
    }]
)

方式二：外部 URL

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "这个图表说明了什么？"},
            {"type": "image_url", "image_url": {
                "url": "https://cdn.example.com/report-chart.png"
            }}
        ]
    }]
)

方式三：Files API（推荐，完全免费）

# 第一步：上传图片，获取 file_id
upload_response = client.files.create(
    file=open("report-chart.png", "rb"),
    purpose="vision"
)
file_id = upload_response.id  # 例如: "file_abc123"

# 第二步：在请求中引用 file_id
response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "分析这张图表的趋势"},
            {"type": "image_url", "image_url": {
                "url": f"file://{file_id}"
            }}
        ]
    }]
)

# 第三步：同一张图片可反复使用，无需重复上传
# 适用于多轮 Agent 工作流中持续处理同一批视觉素材

2.4 支持的文件格式

格式	支持
JPEG	✅
PNG	✅
GIF	✅
WebP	✅

格式检测基于文件的实际内容而非扩展名或 MIME 类型。

2.5 图片输入限制

限制项	内联（Base64/URL）	Files API
单文件大小上限	32 MiB	64 MiB
最大图片边长	8,192 px（≥15 张图时降至 4,096 px）	---
单请求最多图片数	600 张	---
请求体大小上限	48 MiB	200 MiB
图片 token 预算	最多 384 tokens/张	同样

重要提示 ：所有图片会被自动缩放到约 800×800 像素等效分辨率，超过该有效分辨率的细节会被丢弃------这是 384 token 固定预算的直接结果。

---

三、调用效果：基准测试全面对比

3.1 核心结论

在 11 项基准测试中，DeepSeek-V4-Flash-Vision-Exp 的表现可以概括为：

• 赢下 3 项（vs Opus 4.8）：DeepSWE（+1.3）、Agents' Last Exam（+1.6）、ZeroBench（+1.0）
• 多项差距在 1-2 分以内：Terminal Bench、Toolathlon-Verified、Chartography、AutomationBench
• 差距最大的 2 项：NL2Repo（差 12 分）、DSBench-Hard（差 8.1 分）

3.2 完整基准测试数据

文本型 Agent 评估

基准测试	Vision-Exp	Flash-0731	Opus 4.8
Terminal Bench 2.1	83.9	82.7	85.0
NL2Repo	57.7	54.2	69.7
Cybergym	75.3	76.7	78.3
DeepSWE	59.3	54.4	58.0
Toolathlon-Verified	75.9	70.3	76.2
DSBench-Hard	63.6	59.6	71.7
AutomationBench (Public)	25.7	25.1	27.2

多模态 Agent 评估

基准测试	Vision-Exp	Flash-0731	Opus 4.8
ApexBench (Pass@1)	36.5	26.2**	39.4
Agents' Last Exam	27.3	25.2**	25.7
Chartography	64.3	---	65.0
ZeroBench (Pass@5)	35.0	---	34.0

** Flash-0731 在这两项多模态基准上是"无视其中包含的多模态元素"进行评分的（纯文本模型盲测），对比不完全对等。

3.3 实际应用场景

官方展示了 V4-Flash-Vision-Exp 在各类 Agent 框架内的多模态适配能力：

• 商业 PPT 制作：模型可以理解真实摄影图片风格、"野性""原始""探索感"等抽象风格化要求
• 网站视觉重构：对 DeepSeek Harness 官网进行二次创作
• 前端 Mini Demo：制作黏土怪物风格动态特效的前端 Mini Demo
• 图片内容描述：自然语言描述图片内容
• 截图文字识别（OCR）：识别截图中的文字
• 图表分析：解析图表数据并给出洞察

---

四、中间层架构详解：DeepSeek Harness 0.1.1

多模态 API 的上线并非孤立事件，DeepSeek 同日发布了 Harness v0.1.1-rc.1 版本更新，这是整个多模态生态的"中间层"------连接开发者与模型能力的关键桥梁。

4.1 版本迭代历程

自开发者预览版 v0.1.0-rc.6 首日发布以来，DeepSeek Harness 已连续完成三次版本更新：

版本	核心内容
v0.1.0-rc.7	多模态核心能力开放
v0.1.0-rc.8	多模态基础支持
v0.1.1-rc.1	原生图片请求、多模态模型选项、持久化附件

4.2 多模态能力增强

功能	说明
模型适配器	新增 DeepSeek-V4-Flash-Vision-Exp 多模态模型选项，支持配置原生图片请求
/goal、/plan 命令	从纯文本升级为支持图文混合输入
@ 菜单	从仅引用文件扩展为可引用文件和历史会话
MCP/ACP 附件持久化	图片附件在多次调用间保持，不会随单次调用结束而消失
PTC Mode	支持转发嵌套图片

4.3 子代理与插件架构

功能	说明
Codex 与 Claude Code	从捆绑分发改为按需安装的 Profile Bundle
Codex 非交互权限模式	支持在无人值守流程中运行
Codex 多命名实例	允许同时运行多个配置不同、名称各异的子智能体
回报路径优化	reportDelivery 及时反馈并唤醒父任务，消除盲目等待
插件注册	插件可自行注册设置卡片，能力扩展与任务管理更便捷

4.4 稳定性与性能优化

项目	说明
web_search	支持并发查询
Windows PTY	正式加入持久 PowerShell 会话支持，极简模式默认开启
SQLite 后端	读写和分叉性能显著提升，存储体积降低
修复项	长会话、终端兼容、模型请求、沙箱权限等问题
交互细节	提问卡片、Markdown 表格、多行输入、会话切换优化

4.5 架构关系图

---

五、价格：一张图不到 1 分钱

5.1 计费方式

图片会转换为 token 后按 token 计费，一张图片最多占 384 tokens，计费价格与 DeepSeek-V4-Flash 完全一致。

5.2 价格表（每百万 tokens）

费率	非高峰时段	高峰时段
输入（缓存未命中）	$0.22	$0.44
输入（缓存命中）	$0.007	$0.014
输出	$0.66	$1.32

高峰时段：UTC 时间 01:00--04:00 和 06:00--10:00

5.3 换算成"每张图"

场景	单张图片成本
非高峰，缓存未命中	约 $0.000084（不到 1 美分）
高峰时段最高	约 0.001152 元（不到 0.002 元）

5.4 Files API

项目	详情
费用	完全免费
单文件上限	64 MiB
总存储容量	约 25 GiB
核心价值	同一张图片无需重复上传，省带宽

---

六、注意事项

1. 实验性质：该模型为实验性版本，能力可能随后续迭代调整
2. 权重未开源：不同于 V4-Flash-0731 和 V4-Pro 0813，Vision-Exp 权重未公开
3. 图片分辨率：所有图片会被自动缩放到约 800×800 像素等效，超过此分辨率的细节会丢失
4. 基准测试：所有对比数据来自 DeepSeek 内部跑分（DeepSeek Harness Minimal Mode），尚无独立实验室复现
5. 费率变动：非高峰费率较 7 月 31 日 V4-Flash-0731 发布时（0.14/0.28）有所上涨

---

七、总结

DeepSeek-V4-Flash-Vision-Exp 的上线标志着 DeepSeek 正式进入多模态 Agent 赛道。核心亮点可以概括为三句话：

• 能力：文本能力不降级，视觉能力逼近 Opus 4.8
• 价格：一张图不到 1 分钱，Files API 免费
• 生态：Harness 中间层同步更新，Agent 框架开箱即用

对于开发者来说，现在就可以用 model="deepseek-v4-flash-vision-exp" 开始接入多模态能力，无需等待正式版。