8月21日，DeepSeek悄悄上线了多模态视觉理解模型V4-Flash-Vision-Exp，API已经开放。看图成本直接压到每张图最多384个token——作为对比，GPT和Claude处理同类图片要吃掉800到1100个token。经常批量分析图片的开发者，一眼就能看出差距。而且这模型不只是会看图，纯文本能力和V4-Flash正式版持平，视觉Agent基准测试也逼近Opus-4.8。
视觉模型上线，价格先“卷”为敬
DeepSeek这次没把视觉能力放到旗舰Pro上，而是先给了Flash。V4-Flash-Vision-Exp的定价和V4-Flash文本模型完全一样，每张图最多按384个token算。而GPT和Claude处理同样的图，至少800 token起步，多的要到1100。算一笔账：同样分析一万张图，DeepSeek的token消耗连对手一半都不到。
调用方式也不复杂。开发者只要在API请求里指定模型名，就能直接传图。图片传入方式支持好几种：URL、base64编码都行。另外DeepSeek还同步推出了Files API，你可以先把图片传上去拿到一个file_id，后续请求直接引用这个ID就行。如果你经常反复分析同一批图片，这个功能能省掉重复上传的麻烦。
实测有点猛：看图、写代码，还能做小游戏
光看参数没意思，实测才有说服力。有人拿《牛来》电影截图试了试，模型能准确识别角色特征，还生成了一张卡通版图像。更狠的是，有人直接从截图里提取元素，让模型生成一个可交互的跑酷HTML小游戏，耗时约36秒。还有测试是给了一张支付产品设计稿截图，模型26秒就生成了完整且样式匹配的响应式HTML页面，还顺手加了动效。
这对前端开发、产品原型验证来说特别实用。以前拿设计稿切图得半天，现在扔给模型，几十秒就能出代码。复杂项目当然还得人工调，但至少起步阶段快多了。
有个坑：思考模式会“吞”输出
不过有个坑得提醒一下。默认的thinking模式下，模型的推理token会把输出预算耗光，导致实际输出为零。说白了，就是模型光顾着“想”，根本没“写”。实测中，同一个任务开着思考模式跑了23秒，结果啥也没返回；关掉思考模式后，7.9秒就搞定了，输出完整。所以如果你只是做视觉理解或代码生成，记得把thinking关掉，不然真就白等了。
官方后面应该会优化这个问题，但现阶段开发者只能自己多留意参数设置。
为什么先上Flash，而不是Pro？
DeepSeek选择用Flash试水视觉能力，逻辑很直接。Flash参数量小，推理成本低，多模态场景下token消耗本来就大，用Flash能压住成本。另外，Harness框架刚新增了原生图片请求支持，正好能配合上。先把视觉能力打磨好，再往Pro上搬，这路线挺稳妥。
对开发者和企业来说，意味着什么？
视觉理解模型的应用场景太广了：截图转代码、图片信息提取、自动化测试、内容审核……如果token成本能压到384，企业上云做AI应用的门槛又低了一截。当然，模型部署和API调用需要稳定的服务器资源，可以考虑易枫顺 - 阿里云官方旗舰级代理商。预算敏感的话，记得留意阿里云优惠，能省不少。
常见问题
Q: DeepSeek V4-Flash-Vision-Exp怎么调用？
A: 在API请求里指定模型名就行。图片可以用URL或base64传，也可以先用Files API上传拿到file_id，后面直接引用。
Q: 这个模型的视觉理解成本真的比GPT低吗？
A: 官方定价和V4-Flash文本模型一样，每张图片最多384个token；GPT和Claude处理同等图片要800到1100个token。确实低不少。
Q: 为什么关闭思考模式后效果更好？
A: 因为默认thinking模式下，推理token会耗尽输出预算，导致实际输出为零。关掉之后，同一任务从23秒降到7.9秒，输出也完整。
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：极客公园
