DeepSeek一直走纯文本路线，如今模型终于睁开了眼睛。

新模型 deepseek-v4-flash-vision-exp 上线 DeepSeek API 平台，这是 DeepSeek 的第一个多模态视觉模型。

文本能力与 V4-Flash 持平，多模态 Agent 能力逼近 Opus-4.8，价格还停在 Flash 档。分析1000张图片成本不到20美分，高分辨率截图输入成本是 Opus 的1/80。

睁开眼

模型仍是实验版。文本侧，Agent、推理、世界知识都与 V4-Flash 持平。

此前 V4 全系只处理文本，NL2Repo、DeepSWE 这类代码 Agent 任务是它的主场，如今视觉短板补上。

官方基准表如下：

文本类 Agent 评测，视觉版与纯文本版 V4-Flash-0731 大致持平，Terminal Bench 2.1 拿83.9，DeepSWE 拿59.3，都比纯文本版略高，装上眼睛没拖累文本。

跟 Opus-4.8 比，11项测评里，DeepSWE 59.3对58.0，Agents' Last Exam 27.3对25.7，ZeroBench 35.0对34.0，3项基准超越 Opus-4.8，其他也接近 Opus-4.8。

多模态侧，ApexBench 从纯文本版的26.2涨到36.5，Agents' Last Exam 从25.2涨到27.3。

有开发者实测，它与 Kimi K3，GPT 5.6 Sol，和 Opus4.8 对比，多模态性能表现已进入顶级模型行列。

开发者 Tim Jayas 用 Three.js 做马车，评价 V4-Flash-Vision 比 Opus 4.8 更优秀。

一个280B的模型，性能竟有3T级的表现。

算算账

社区实测补上细节。图表阅读、发票 OCR、跨图像对比都准，数小物体偏弱，9个三角形只数出8个。

图像按 token 计费，单张最多384 tokens，原图不管多大，模型内部智能缩放，大图自动压到800×800像素预算，价格按 V4-Flash 文本档算。

峰值输入每百万 tokens 0.44美元，闲时0.22美元，折合单张图约0.017美分，1000张不到20美分。

这样算下来，高分辨率截图输入单张约0.0002美元，Opus 是0.0156美元，差出1/80。

Files API 同步上线，免费。

图像传一次拿 file_id，后续请求直接引用，跨请求、跨会话复用，不用重复上传。单文件最大64MB，存储配额25GB，最多10000个文件，有效期1小时到30天。

生产环境别把图片塞 base64，费带宽，还会撞上48MB请求体上限，用 Files API 省带宽。

社区测评反馈来看，适合场景有：截图驱动的视觉 Agent、UI 自动化、文档提取、图表问答、批量 OCR、长图文混合办公自动化。

构建视觉 Agent 的开发者，把截图塞进工作流的 SaaS（软件即服务）团队，处理长流程办公自动化的工具商都非常适合。

像素级精细视觉识别不是长项，高频小字识别还得交给专业 OCR 模型。

单次请求最多600张图，单张最大8192px，超过15张降到4096px，格式只认 JPEG、PNG、GIF、WebP。

DeepSeek Harness 也同步发布了 v0.1.1 版本，支持新增的 DeepSeek-V4-Flash-Vision-Exp 多模态模型，并支持配置原生图片请求。

参考资料：

https://x.com/deepseek_ai/status/2090730032574631962 https://x.com/tianyi/status/2090730841509171466

免责声明：本文来自AIGC开放社区客户端，不代表超天才网的观点和立场。文章及图片来源网络，版权归作者所有，如有投诉请联系删除。