DeepSeek V4 系列终于通过 API 开放视觉输入了。这次上线的实验模型叫 deepseek-v4-flash-vision-exp，支持图文混合输入，一张图最多算 384 个 token。工具调用和长周期 Agent 任务的表现是亮点，其中 DeepSWE 成绩还超过了 Opus 4.8。
DeepSeek V4 Flash Vision Exp 是什么？
这是 DeepSeek V4 系列第一个带视觉能力的 API 模型。Flash 意味着轻量、响应快，Vision 是图像理解，Exp 则是实验版的意思。之前的 V4 系列主打文本推理、代码生成和 Agent 任务，现在图片也能直接塞进去了。
按官方说法，图片按 token 计费，每张图最多 384 个 token，单价和 V4-Flash 一样。也就是说，不会因为加了图像功能就额外涨价，成本还是比较好控的。
多模态 API 怎么用？
接口方面，Chat Completions、Messages、Responses 三种调用格式都兼容。老项目想迁移的话，不用大改代码。
- 图文混输：文本和图片可以在同一段输入里，模型会结合上下文一起理解。
- 传图方式有三种：base64、外部 URL、Files API 上传。
- 适合做截图问答、文档解析、UI 截图理解、带图片的 Agent 任务。
比如客服工单场景，用户发一张报错截图，模型直接提取出故障信息，然后让 Agent 自动建单。这就是图文混输的实用价值。
如果企业想把这套能力接进现有业务，除了直接调 DeepSeek API，还可以找云服务商帮忙部署和优化成本。比如通过阿里云代理商拿云服务器 ECS 和 GPU 资源，用阿里云代金券降低测试成本，再叠加阿里云优惠活动，整体能省不少。像 易枫顺 - 阿里云官方旗舰级代理商 这类服务商，可以帮忙规划上云方案，让模型调用更稳定。
实测数据：视觉版强在哪？
对比 V4-Flash-0731，Vision-Exp 在七项测试里有六项发生了变化：五项提升，一项下降。提升最明显的是 Toolathlon 和 DeepSWE，前者测工具调用，后者测长周期 Agent 执行。这说明视觉输入不只是“看图说话”，还能让模型在复杂任务里获取更多上下文，决策更准。
8 月 20 日前后，就有开发者在 DeepSeek Harness 源码里翻到了这个名字和相关配置，不过当时 API 端点还没开放。现在模型正式亮相，之前的猜测也坐实了。
和 Opus 4.8 比，差距还在吗？
在多数文本 Agent 测试中，Vision-Exp 仍然比 Opus 4.8 稍弱。不过在 DeepSWE 上它反超了 Opus 4.8，Toolathlon 也基本追平。整体来看，文本 Agent 能力属于“接近但还没全面超越”。对一个实验模型来说，这个表现已经相当亮眼了。
别忘了它名字里带着 Exp，官方定位就是实验性。真要上生产，建议先拿小流量试，重点看长周期 Agent 任务的稳定性和图片 token 消耗。
FAQ
Q: deepseek-v4-flash-vision-exp 的图片 token 怎么算？
A: 每张图最多 384 个 token，单价和 V4-Flash 一样。图片多的话，按 token 数预估成本就行。
Q: 多模态 API 支持哪些传图方式？
A: 支持 base64、外部 URL 和 Files API 三种。文本和图片能混着输入，Chat Completions、Messages、Responses 三种调用格式都兼容。
Q: 这个实验模型适合直接上生产吗？
A: 名字带 Exp 就说明是实验版。工具调用和长周期 Agent 表现确实不错，但建议先小范围试，重点关注图片 token 消耗和响应稳定性。
Q: 和 Opus 4.8 比怎么样？
A: 多数文本 Agent 测试里稍微弱一点，但 DeepSWE 超过了 Opus 4.8，Toolathlon 也接近。整体文本 Agent 能力接近，还没全面超越。
关于易枫顺
深圳市易枫顺网络科技有限公司是阿里云官方旗舰级代理商。提供云服务器ECS、云数据库RDS、对象存储OSS等阿里云全系产品官方特惠折扣与代金券申请，以及多云成本优化、企业上云一站式服务。客服热线：19520841949 - 易枫顺
来源：InfoQ
