先别被名字里的 Vision 吓到，它并不是重新做了一套独立视觉模型。
DeepSeek-V4-Flash-Vision-Exp 还是基于 V4-Flash，只是在原来的文本、推理、Agent 和知识能力上，多了一双“眼睛”。
所以你可以把它理解成：V4-Flash + 图像理解。
至于名字最后那个 Exp，就是 Experimental，实验版。
底层还是稀疏 MoE 架构，总参数 284B，实际每次激活 13B。这个数字本身不用太纠结，比较值得关注的是后半句：它没有因为加视觉能力，就把推理成本直接拉高一档。
现在它能接 JPEG、PNG、GIF、WebP，也支持图文混合输入。上下文最高 1M token，最大输出 384K token。
API 这边也没另起炉灶，JSON Output、Tool Calls、Responses API、Anthropic API 格式都能继续用。
换句话说，这不是网页版多了一个“识图按钮”，而是 DeepSeek 第一次把 V4 的视觉能力真正塞进 API。
对普通用户来说区别不算大，对做 Agent 的开发者来说就不是一回事了。
| 套餐 | 价格 | 说明 |
|---|---|---|
| 缓存命中输入 | 空闲 0.05 元/百万 Token；高峰 0.10 元/百万 Token | 重复上下文命中缓存后走这一档，固定提示词、多轮复用会比较省 |
| 缓存未命中输入 | 空闲 1.50 元/百万 Token；高峰 3.00 元/百万 Token | 新输入按这一档计算，图片换算成 Token 后也算在这里 |
| 输出 | 空闲 4.50 元/百万 Token；高峰 9.00 元/百万 Token | 按模型实际生成的 Token 数计费 |
| Files API | 免费 | 图片上传后可以通过 file_id 反复引用，单张最大 64 MiB |
图片不是按“张”收费，而是先折算成 Token。
单张图片最多占 384 Token。按高峰时段、缓存未命中输入价算：
384 × 3 ÷ 1,000,000 ≈ 0.00115 元
也就是说，即便按最高图片 Token 数去算，一张图的输入成本也只有千分之一元左右。
这个价格确实有点狠。
并发限制还是 2500，和 V4-Flash 一样，没有因为多模态单独砍并发。
Files API 也不收费。图片传上去以后，后面的请求直接拿 file_id 引用就行，不用每次重新塞一遍。
如果一个 Agent 要反复看同一张截图、设计稿或者图表，这种方式比反复传 Base64 顺手得多。
一共有三种方式，没有什么特别新的协议，基本都是开发者熟悉的路子。
Base64 内联
直接把本地图片编码后塞进请求。
用起来最直接，适合临时测试或者小文件，不过整个请求体有 48 MiB 限制。图片一大，Base64 本身又会膨胀，长期用并不算优雅。
外部 URL
给模型一个公开可访问的图片链接，由服务端自己下载。
省事，但图片不能超过 32 MiB，而且链接必须能正常访问。
Files API
先上传，再通过 file_id 调用。
单张支持到 64 MiB，也是三种方式里限制最宽松的一种。如果同一张图会被多次使用，优先选这个就行。
单独做图片理解，其实不算什么新鲜能力。
这次比较值得看的，是视觉能力被直接接进了 Agent 工作流。
DeepSeek 给出的几个案例都不是传统的“上传一张图，告诉我里面有什么”。
比如生成西藏自驾游高端定制 PPT，模型需要理解“野性、粗粝”这种很难用硬指标描述的视觉要求，再把这种感觉落实到最终页面里。
还有 DeepSeek Harness 官网的视觉风格二创，以及黏土怪物风格的前端 Demo。
这类任务麻烦的地方一直不在第一次生成，而在于生成之后怎么办。
纯文本 Agent 可以写代码、改代码、调用工具，但网页到底丑不丑，排版有没有崩，图表是不是挤成一团，它自己看不到。
这就很尴尬。
代码写得再勤快，最后视觉效果翻车，它也只能继续盲改。
Vision-Exp 补上的正是这一环：Agent 可以看到自己做出来的东西。
看完，再改。
对网页、PPT、前端、图表这类任务来说，这个能力比单纯“识图”更有价值。
官方给了几组多模态 Agent 测试。
ApexBench（Pass@1）
Agents' Last Exam
Chartography
ZeroBench（Pass@5）
四项放在一起看，和 Claude Opus-4.8 基本是互有胜负。
ApexBench 和 Agents' Last Exam 里本身包含多模态内容，而旧 V4-Flash 不支持图像，这部分信息会被直接忽略。
所以 Vision-Exp 从 26.2 涨到 36.5，不能简单理解成“模型突然聪明了 10 分”，更准确地说，是它终于拿到了原本缺失的视觉信息。
纯文本 Agent 测试也有几项上涨：
至少从这组数据看，加视觉没有把原来的文本 Agent 能力拖下去，反而有几项还往上走了一点。
V4-Flash-0731 是纯文本模型。
放在聊天场景里问题不算大，但一旦用来做 Agent，限制很快就会冒出来。
网页截图看不了。
图表看不了。
UI 做完没法检查。
PPT 生成之后，也没法判断版式和视觉风格到底对不对。
很多自动化任务做到最后都会碰到一个现实问题：Agent 把东西生成出来了，但它不知道自己生成得怎么样。
有了视觉之后，它至少能看一眼结果，再决定下一步怎么改。
这才是 Vision-Exp 真正补上的东西。
如果已经在用 V4-Flash 做 Agent，这个版本值得试。
原因很直接：调用方式变化不大，视觉能力加进来了，价格还是原来的价格。
尤其是网页、截图、图表、UI、PPT 这一类任务，原来的 V4-Flash 很容易卡在“看不到结果”这一关，Vision-Exp 至少把这个限制拆掉了。
但别忘了名字最后还有个 Exp。
实验版就是实验版，稳定性和边缘场景表现还得继续看。
人物识别就是一个例子，已经有测试出现过把梁文锋认成其他人的情况。如果业务对人物身份识别准确率要求很高，这个模型并不适合直接拿来做判断。
另外，它只开放 API，没有单独的网页版入口。
如果只是偶尔让 AI 读一张图片，没必要为了它专门折腾 API。
但如果你本来就在做 Agent，而且任务里经常出现截图、网页、图表或者 UI，V4-Flash-Vision-Exp 就比较有吸引力了。
V4-Flash 多了一双眼睛，账单却没跟着变厚。
| 模型 | 上下文 | 定价 | API | 发布 | 全球热度 |
|---|---|---|---|---|---|
|
DeepSeek V4 Flash Vision Exp
|
1M | $0.440 / $1.320 per 1M | YES | 2026-08 | — |
| 1M | $0.435 / $0.870 per 1M | YES | 2026-08 |
96/100
|
|
| 1M | $0.090 / $0.180 per 1M | YES | 2026-07 |
87/100
|
|
| 1M | $0.435 / $0.870 per 1M | NO | 2026-04 |
90/100
|
|
| 128K | 免费增值 | YES | 2025-05 |
96/100
|
评论（0）