用过 DeepSeek API 做开发的人，大概率撞过同一堵墙：模型文本推理再强，你把一张截图、一张报表丢过去，它只能回你一句"暂不支持图片输入"。想在 Agent 里让它看屏幕、读图表、照着设计稿写代码，就得自己在外面接一个第三方的视觉模型，拼一个"混合视觉"出来。

这堵墙在 8 月 21 日拆掉了。当天，DeepSeek 官宣多模态视觉理解模型 

 上线 API 平台，同一时间还开放了免费的 Files API，官方 Agent 框架 DeepSeek Harness 也更新支持。这是 DeepSeek 第一次官方提供视觉能力——V4 这块拼图，最后一块补上了。

先说结论：这是补短板，不是下一代

模型名已经把定位写得很清楚：

，不是 V4-Flash 的多模态正式版。

换句话说，DeepSeek 没有拿这个实验版去抢"最强模型"的名头，而是把原来缺的那条腿接上，先让开发者用起来。这个节奏和它一贯的风格一致：能力先到位，正式版随后。

官方放了三个例子，都跑在 Agent 框架里：

这三个例子的共同点值得注意：**没有一个是"看图说话"**。识别图片里的猫是什么品种、描述图片内容，只是视觉模型的及格线；真正的价值在于视觉进入 Agent 的工作循环——看截图定位界面元素、读设计稿还原页面、分析图表得出结论再执行下一步。也就是从"能看"到"看完能干活"。

对 Coding Agent 来说这块尤其关键。模型能看图，意味着它可以自己核对渲染出来的页面和设计稿差在哪，而不是靠你打字描述"这里歪了一点"。

API 怎么调：三种格式，三种传图方式

传入图片有三种方式，按场景选：

本地图片最直接的方式，编码后以 

 URL 嵌进请求。适合一次性使用的小图。

import base64
from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.deepseek.com")

with open("image.jpg", "rb") as f:
    b64 = base64.b64encode(f.read()).decode("utf-8")

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "这张图片里有什么？"},
                {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
            ],
        }
    ],
)
print(response.choices[0].message.content)

 不再是纯字符串，而是一个内容块数组，图片和文字混排着放。

图片在公网上可访问时，直接给 

 链接，服务端自己下载。链接最长 8192 字符，下载需在 60 秒内完成，单图最大 32 MiB。

{"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}}

先把图片上传到 Files API（免费），之后在任意多个请求里用 

 引用，不用重复上传，也不占请求带宽。同一张图反复用、或者图片大到撑爆请求体时，用这个。

# 上传一次
client.files.create(file=open("big_image.png", "rb"), purpose="vision")

# 之后任意请求中引用
{"type": "file", "file_id": "file-api-xxxxxxxxxxxxxxxx"}

 会先把图缩到 512×512 再推理，省 token 也更快；

 消息会直接返回 400 错误。给非视觉模型（比如 

这是这次更新里设计得最巧的一块：

图片按尺寸换算成 token，和文字一起计费，一张图最多 384 个 token

所以一张 2000×2000 的图和一张 5000×5000 的图，缩放后消耗的 token 一样。多张图片各自独立计算，没有额外算法。

输入 1 元/百万 token，输出 2 元/百万 token

的输入费用——一万张图的视觉输入不到 4 块钱，一百万张约 384 元。具体尺寸的消耗可以用官方文档里的图片 Token 计算器估算。

把时间线拉长看，这次上线不是孤立事件：

V4系列四个月时间线：从预览版开源到视觉模型上线

四个月里，视觉是外界等得最久的一块。等不及的社区甚至自己动手，把第三方视觉编码器接到 V4-Flash 上做出了非官方的混合视觉版本。官方版这次算是把民间需求转正了。

时机上还有个插曲：就在同一天，OpenRouter 和 OpenCode 上的匿名模型 Ox Alpha（被戏称"牛来"）正在社交网络刷屏——100 万 token 上下文、原生支持文本图片视频输入，和 DeepSeek 这次发布踩在同一组关键词上，疑似某家国产模型。两个"视觉"话题同日对撞，热闹程度可见一斑。

往深一层看，视觉模型补齐的是 Harness 生态的关键一环。DeepSeek Harness 的战略意图被券商研报概括为"Agent 时代的安卓"——定义运行标准，绑定开发者。而一个不能看图的 Agent 框架，在"操作浏览器、读设计稿、核对界面"这些场景里是残缺的。眼睛长在 API 上，才能真正长进生态里。

DeepSeek 这几年给人印象最深的标签一直是"文本推理强、成本低"，代价是视觉这条腿长期缺席，做 Agent 应用的人得自己找拐杖。8 月 21 日之后，官方多模态 API、免费的 Files API、支持视觉的 Harness 三件套到位，

当然，Exp 就是 Exp：实验性质意味着能力和稳定性还有打磨空间，正式版什么时候来、会不会有 V4-Pro 级别的视觉模型，都还没说。但对开发者来说，先跑起来再说的窗口，已经打开了。

DeepSeek终于能看图了：视觉模型上线，Agent能力接近Opus 4.8

人工智能

新闻资讯

开发工具

DeepSeek官方上线多模态视觉模型DeepSeek-V4-Flash-Vision-Exp，补齐V4系列视觉短板。API支持Base64、URL和FilesAPI三种传图方式，图片按尺寸换算token计费，上限384 token。纯文本能力持平V4-Flash，视觉Agent能力接近Claude Opus-4.8，官方Agent框架Harness同步更新支持，开发者可一行代码接入视觉能力。

图片处理

DeepSeek

Agent

快速部署LLM、AI绘画等应用,助你玩转AIGC！


腾讯云BI特惠9.9元起！


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官方上线多模态视觉模型DeepSeek-V4-Flash-Vision-Exp，补齐V4系列视觉短板。API支持Base64、URL和FilesAPI三种传图方式，图片按尺寸换算token计费，上限384 token。纯文本能力持平V4-Flash，视觉Agent能力接近Claude Opus-4.8，...

DeepSeek终于能看图了：视觉模型上线，Agent能力接近Opus 4.8

DeepSeek终于能看图了：视觉模型上线，Agent能力接近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