

大家好，我是晚安code。

之前还在吐槽：DeepSeek 网页端那个"识图模式"，连梁文锋都能认成张一鸣。结果 8 月 21 号，DeepSeek 多模态视觉理解模型 V4-Flash-Vision-Exp 直接上线了 API 平台——多模态 Agent 能力逼近 Opus-4.8，价格却按文本价算，一张图最高 0.001 元。这篇我把能力、benchmark、定价、调用方式一次讲清楚，看到最后你会知道它到底适不适合你。先收藏，慢慢看。

## 一、DeepSeek 多模态视觉理解模型到底发了什么

DeepSeek 这波不是小迭代，是 V4 系列第一次真正长出眼睛。

2026 年 8 月 21 日，DeepSeek 在官方 API 平台上线了 `deepseek-v4-flash-vision-exp`（来源：DeepSeek 官方 API 文档）。名字里的 Exp 是 experimental，官方明确说了，这是实验性质模型，不建议直接上生产。

**多模态视觉理解模型**：能同时接收文字和图片输入、并基于两者做推理的大模型。你可以理解为「AI 的眼睛」——以前只会看字，现在能看图。

这款模型的能力构成很有意思：纯文本能力（Agent、推理、世界知识）和 V4-Flash 正式版基本持平，没有因为加了视觉而降级；但一旦任务需要"看懂图片"，成绩直接起飞，官方口径是多模态 Agent 能力已接近 Claude Opus-4.8。上下文窗口 1M token，最大输出 384K，支持 JSON Output、Tool Calls，还兼容 Anthropic 的 API 格式。

说回我吐槽那事。6 月网页端先上过一版"识图模式"，媒体实测发现它本质是 OCR，人脸、场景全翻车。这次的 V4-Flash-Vision-Exp 是真正的视觉理解，两层是两码事——所以官方把老识图模式和技术报告连夜下线重做，也算给这次留了个干净的起跑线。

**OCR（光学字符识别）**：从图片里"读字"而不是"看图"的技术。你可以理解为「扫描仪的眼睛」，只认文字，不认画面。

![](https://developer.qcloudimg.com/http-save/yehe-11608098/3c464fc24a8213a7a8f6e8a1ae7150b8.webp)

![](https://developer.qcloudimg.com/http-save/yehe-12591818/28c7844b1896783f4ccf8d74b0476b9d.png)

## 二、能不能打？一张对比表看懂「Agent 逼近 Opus-4.8」

"逼近 Opus-4.8"是官方口径，参考意义大于绝对值——这份分数是 DeepSeek 自家 Harness 框架测的，还没经过第三方独立验证。

我把官方公开的部分 benchmark 整理成表（2026-08 官方数据，V4-Flash 为 0731 版本）：

| 基准 | V4-Flash-Vision-Exp | V4-Flash-0731 | Opus-4.8 |
|------|:---:|:---:|:---:|
| Terminal Bench 2.1 | 83.9 | 82.7 | 85.0 |
| ApexBench (Pass@1) | 36.5 | 26.2 | 39.4 |
| Agents' Last Exam | 27.3 | 25.2 | 25.7 |
| Chartography | 64.3 | — | 65.0 |
| ZeroBench (Pass@5) | 35.0 | — | 34.0 |

看这张表，重点不是绝对值，是三个信号：几乎所有项都比 V4-Flash 纯文本版高，说明视觉能力真补上了；Agents' Last Exam、ZeroBench 两项反超 Opus-4.8，Chartography 只差 0.7；差距最大的是代码类任务，离旗舰还有一段路。我盯着 ApexBench 看了半天——从 26.2 跳到 36.5，这 10 分是实打实的质变，"看截图做 Agent 任务"这条路算是走通了。

![](https://developer.qcloudimg.com/http-save/yehe-12591818/f521bd691d0476aa6acefa662ca7041b.png)

## 三、一张图只要 0.001 元：DeepSeek 图片理解价格怎么算

视觉模型最怕"视觉溢价"——各家一沾图片就按像素加价。DeepSeek 这次直接把价格焊死在文本价上。

计费逻辑一句话：图片不按"张"收钱，而是按尺寸折算成 token，和文本一起计价，单张图片最多算 384 个 token。什么概念？GPT 和 Claude 处理同等分辨率的图，通常要吃掉 800～1100 token，DeepSeek 不到一半。

价格和 V4-Flash 完全一致（元/百万 token，2026-08 官方定价）：

| 计费项 | 空闲时段 | 高峰时段 |
|--------|:---:|:---:|
| 输入（缓存命中） | 0.05 | 0.10 |
| 输入（缓存未命中） | 1.5 | 3.0 |
| 输出 | 4.5 | 9.0 |

高峰时段是北京时间 9:00–12:00、14:00–18:00，其余减半。我顺手算了笔账：一张图按 384 token 封顶，高峰输入价 3 元/百万 token，就是 384 × 3 ÷ 1000000 ≈ 0.0012 元。跑几百张图也就几毛钱，比你不小心调错接口烧掉的那点钱还少。

这感觉就像奶茶店说"加珍珠不加价"——加料不加钱，还管够。

![一张图最多 384 token，高峰期也只要约 0.001 元](https://developer.qcloudimg.com/http-save/yehe-12591818/c985e3aa84b4154d2859ea62e9880f63.png)



![](https://developer.qcloudimg.com/http-save/yehe-12591818/841f4c5554957f768ab9148f77ca6ef4.png)

## 四、怎么调用：三种接口、三种传图、Files API 免费

传图这步，DeepSeek 一次给齐了三种姿势，从"临时试一张"到"批量复用"全覆盖。

接口上兼容三条路：Chat Completions（OpenAI 格式，base URL 用 `https://api.deepseek.com`）、Messages（Anthropic 兼容格式）、Responses。传图也三种：base64 内联、外部 URL、Files API。最值得说的是 Files API。

**Files API**：DeepSeek 同步上线的免费文件接口，先上传图片拿到 `file_id`，后续多个请求直接引用，同一张图不用反复传。你可以理解为「图片的一次性门票，买一次反复用」。每用户 25GiB 存储、上限 1 万个文件。

对跑多轮 Agent 工作流的人来说，这个设计太贴心：Agent 第一轮读到一张截图，后面每轮都要参考它，有了 file_id 就不用每次把图再塞一遍。

```python
import base64, requests  # deepseek-v4-flash-vision-exp 调用示例（2026-08）

img = base64.b64encode(open("bug.png", "rb").read()).decode()
resp = requests.post(
    "https://api.deepseek.com/chat/completions",
    headers={"Authorization": "Bearer <YOUR_KEY>"},
    json={
        "model": "deepseek-v4-flash-vision-exp",
        "messages": [{
            "role": "user",
            "content": [
                {"type": "text", "text": "这张截图哪里报错了？"},
                {"type": "image_url",
                 "image_url": {"url": f"data:image/png;base64,{img}"}},
            ],
        }],
    },
)
print(resp.json()["choices"][0]["message"]["content"])
```

> **可能有人会问：图片是按像素、还是按张收钱？**
>
> 都不是。图片按尺寸折算成 token 计费，单张最多 384 个 token，和文本同价，没有单独的"视觉费"。

## 五、实测能干什么：报错截图、发票、设计稿转页面

看截图写代码，是这模型目前最省事的用法——把报错截图直接甩给它，比贴一坨日志靠谱。

这些不是我瞎编的，是媒体公开实测过的场景：有人把 GitHub 页面的报错截图丢给它，它精准定位到 `github-dashboard.html` 第 682 行的 `TypeError`，还完成了从定位到修复的闭环；有人拿发票截图给它，它把类型、号码、日期拆成结构化字段；还有人拿设计稿截图，26 秒出了个配色布局几乎一致的响应式页面，连 hover 动效都自己加上。网易的作者甚至用它做了个《牛来》小游戏。

![](https://developer.qcloudimg.com/http-save/yehe-12591818/cbaf32032748ff65b3e11ee4930d7e41.webp)

不过丑话说在前头：它毕竟带 Exp 后缀，官方自己都没承诺什么时候转正式版、会不会开源。以 2026 年 8 月为准，这模型适合拿来跑 Demo、搭视觉 Agent 原型、验证"看图干活"这条路，不适合把生产流量直接压上去——Exp 就是明晃晃的免责声明。

![带 Exp 后缀的模型，先拿来跑 Demo，别把生产流量压上去](https://developer.qcloudimg.com/http-save/yehe-12591818/4c518c8e32360cb2f78f7cb1cffcbda5.png)

---

我是晚安code，持续分享编程干货。觉得有用的话记得点赞收藏和关注~也欢迎在评论区聊聊：你会拿 DeepSeek 多模态视觉理解模型来识什么图？报错截图、发票还是设计稿？评论区聊聊你的用法。


之前还在吐槽：DeepSeek 网页端那个"识图模式"，连梁文锋都能认成张一鸣。结果 8 月 21 号，DeepSeek 多模态视觉理解模型 V4-Flash-Vision-Exp 直接上线了 API 平台——多模态 Agent 能力逼近 Opus-4.8，价格却按文本价算，一张图最高 0.001 元。这篇我把能力、benchmark、定价、调用方式一次讲清楚，看到最后你会知道它到底适不适合你。先收藏，慢慢看。

DeepSeek 多模态视觉理解模型上线：Agent 逼近 Opus-4.8

DeepSeek 多模态视觉理解模型上线，视觉 Agent 逼近 Opus-4.8，价格与文本一致——一张图最高 0.001 元。拆解它的能力、定价与调用方式。

人工智能

DeepSeek发布V4-Flash-Vision-Exp多模态模型，API平台上线，图片理解能力逼近Opus-4.8但价格按文本计算，单张图最低0.001元。支持1M上下文、JSON输出及ToolCalls，兼容Anthropic格式。实测可处理报错截图、发票解析及设计稿转页面，适合原型开发但实验性质不建议生产使用。

代码解释

DeepSeek

GitHub

Agent

快速部署LLM、AI绘画等应用,助你玩转AIGC！


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

DeepSeek 多模态视觉理解模型上线：Agent 逼近 Opus-4.8-腾讯云开发者社区-腾讯云

DeepSeek 多模态视觉理解模型上线：Agent 逼近 Opus-4.8

DeepSeek 多模态视觉理解模型上线：Agent 逼近 Opus-4.8

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐