DeepSeek 终于长“眼睛”了！首款看图多模态 V4-Flash-Vision-Exp 上线，价格却比旗舰便宜 3 倍

如果说 DeepSeek 此前一直是个“只会读字”的学霸，那从 8 月 21 日起，它终于长出了“眼睛”。这一天，DeepSeek 在 API 平台低调上架了一款实验性多模态模型——deepseek-v4-flash-vision-exp，这是它第一款真正支持图像输入、能“看图”的模型。

一、DeepSeek 终于“看见”了：首款图像输入多模态模型来了

和很多大厂一样，DeepSeek 一直以“文字推理”见长，但在多模态（尤其是图片理解）上没有太多动作。这次上架的 deepseek-v4-flash-vision-exp，一次性补上了这块短板：它在 V4-Flash 的架构上叠加了图像理解能力，可以描述图片内容、识别截图里的文字、分析图表数据。

注意后缀上的 “Exp”——代表这是“实验性（Experiment）”模型。它目前只通过 API 提供，尚未进入网页端或 App 的完整产品线，主要面向开发者先行体验和测试。

二、它是什么？V4-Flash 的“眼睛”，定位超性价比

一句话概括：deepseek-v4-flash-vision-exp = V4-Flash + 图像理解。它不是一款全新的大模型，而是把“看图”能力加到原本就主打“快速低价”的 V4-Flash 上。这也决定了它的定位——不拼算力堆料，而是用尽可能低的成本，把多模态能力普惠到更多应用里。

从官方 API 定价表看，它继承的正是 V4-Flash 的价格体系。输入 Token（缓存未命中）空闲时段 1.5 元/百万、高峰 3.0 元；输出 4.5 元/百万（空闲）。作为对比，旗舰 V4-Pro 同口径的价格是 4.5 / 9.0 / 13.5 元，要贵上整整 3 倍。也就是说，用第三方旗舰模型三分之一的价格，就能获得同款“看图”能力。

三、能做什么：描述图片、截图 OCR、图表分析

官方文档把它支持的场景归纳得很直接：让模型描述图片、识别截图中的文字、分析图表等。往深里说，这就等于给一大批“重度依赖截图”的场景开了闸——发票/票据 OCR、截图聊天记录提取、报表数据读取、界面截图答疑、电商商品图文案生成等等，都能在这款廉价模型上自动化。

支持的图片格式为 JPEG、PNG、GIF、WebP，并且官方强调格式以文件“实际内容”判断，而不是看文件名或声明的 MIME 类型——细节做得很扎实。

四、怎么喂图？三种传图方式 + detail 细节级别

deepseek-v4-flash-vision-exp 兼容 OpenAI 的 Chat Completions 格式，图片以 content 块数组传入。官方提供了三种传图方式，开发者可按需选：

• Base64 内联 data URL：把图片编码后直接嵌进请求，适合本地文件，受 48 MiB 请求体大小限制。

• 外部图片 URL：传入一个可公开访问的 http(s) 链接，模型自动下载；URL 最长 8192 字符、图片最大 32 MiB、需 60 秒内下载完成。

• Files API 的 file_id：先上传一次图片，之后用返回的 file_id 引用；最大可达 64 MiB，且不设 32 MiB 单图检查，适合大图或多次复用。

对于 image_url 输入，还可以选填 detail 字段控制分辨率：low 会把图片缩到 512×512，追求更快更省 token；high 与原图等价（为兼容提供）；original 保留原图；auto 自动选择（当前等价于 original）。这和主流多模态模型的“详情级别”思路一致，方便做成本调优。

五、规格亮点：1M 上下文、384K 输出、Tool Calls 与 Responses API

别看它便宜，规格并不寒酸：上下文长度 1M，最大输出 384K token，并发限制 2500。接口层面走的是 OpenAI 兼容格式，BASE URL 为 api.deepseek.com，同时提供 Anthropic 格式的 api.deepseek.com/anthropic 入口。

在功能上，它支持 JSON Output、Tool Calls（工具调用）、Responses API、对话前缀续写（Beta）等，通过 Anthropic API 也能接入；唯一的“遗憾”是不支持 FIM 补全（仅限文本续写场景）。对开发 Agent 或做自动化流程的人来说，Tool Calls + Responses API + 视觉的三件套，正是当下最要紧的组合。

六、行业怎么看：与 Claude Opus 4.8、Gemini 3.7 同题竞争

模型上线后，很快被媒体和评测社区拿来与海外头部模型对比。有日媒以“Opus 4.8 匹敌”为标题报道其多模态能力，也有评测将其放到 Gemini 3.7 旁边做横向比较，讨论它在一个要求“多模态 Agent”的核心基准上的表现。换句话说，大家关心的不只是“能不能看图”，而是“看图 + 干活”（Agent）成不成熟。

虽然它顶着“Exp 实验”的之名，能力尚在打磨，但以 V4-Flash 的价格把视觉多模态的门槛打进“个位数/百万 token”，无疑给国内开发者提供了一条性价比极高的落地路径。

结语：国产模型的“多模态平价”时刻

deepseek-v4-flash-vision-exp 的意义，不只是 DeepSeek 补上了一张“视觉”拼图，更像是在宣告一个趋势：多模态正在快速“平价化”。当“看图”的成本被压到 1.5 元/百万 token 起步，OCR、截图理解、图表分析这类曾经要依仗昂贵旗舰模型、甚至第三方服务的需求，从此有了更亲民的选择。对开发者来说，这无疑是值得第一时间接入尝鲜的一波行情。

官网入口：api-docs.deepseek.com/zh-cn/guides/vision/ ｜ 定价：api-docs.deepseek.com/zh-cn/quick_start/pricing/。由于是实验性模型，建议上线前先在测试环境验证识别效果与限速表现。