DeepSeek V4-Flash Vision 视觉版指南 2026：官方首个看图 API，一张图最多 384 token

2026 年 8 月 21 日下午，DeepSeek 官方 API 文档里悄悄多了一个新名字：deepseek-v4-flash-vision-exp。V4 系列第一款原生支持图片输入的视觉模型就这么上线了，没有发布会、没有预告。一周前 DeepSeek 刚开源 Harness 智能体框架，GitHub 讨论区里”怎么让 DeepSeek 看图”还是高频问题，现在官方自己把这块拼图补上了。

太长不看版

维度	结论
模型名	`deepseek-v4-flash-vision-exp`（Exp = 实验版）
上线时间	2026-08-21，V4 系列首款原生视觉模型
文本能力	与 V4-Flash 正式版持平，看图不降智
视觉能力	多模态 Agent 基准接近 Opus-4.8
图片计费	一张图最多 384 token，价格与 V4-Flash 一致
传图方式	Base64 内联 / 外部 URL / Files API 三种
接口兼容	OpenAI 格式 + Anthropic 格式 + Responses API
适合谁	要做"能看图的 Agent"的开发者，成本敏感的项目

一句话：DeepSeek 从纯文本模型正式迈进了多模态 Agent 底座，而且价格延续了 Flash 系列的性价比路线。

背景：DeepSeek 终于”睁眼”了

要理解这个模型为什么重要，得先看它上线前一周发生了什么。

8 月 13 日，DeepSeek 开源了 Harness（简称 dsh）——一个”一切皆插件”的智能体框架，模型负责思考、框架负责干活，能调终端、文件、代码和外部工具。热度爆炸，上线 12 小时 star 破 5 万。

但一个尴尬的问题马上暴露出来：DeepSeek 自己的模型看不见图。 V4 Flash 和 V4 Pro 在模型目录里都被声明为纯文本模型，输入模态只有 text。开发者往 Harness 里传截图，直接返回一行报错：MODEL_DOES_NOT_SUPPORT_IMAGES。

于是社区开始自己给 DeepSeek “装眼睛”。一种方案是在前面接一个 Qwen-VL 之类的视觉模型，先把图转成文字描述再交给 DeepSeek 推理；另一种方案是改 Harness，让图片先存到工作区再由视觉插件读取。几天之内 GitHub 上冒出好几个 vision bridge 插件。

结果一周后，官方出手了。deepseek-v4-flash-vision-exp 上线，V4 系列第一次原生支持图片输入，Agent 终于能”自己看图、自己理解、自己推理、自己调工具”。

核心能力：看图不降智

视觉模型最容易踩的坑是”为了看图牺牲文本”。V4-Flash-Vision-Exp 没有这个毛病。

官方明确说：在 Agent、推理、世界知识等纯文本基准上，Vision-Exp 与 V4-Flash 正式版持平。它不是特化模型，而是在 Flash 基础上叠加了视觉理解。

视觉部分提升是结构性的。官方给出的多模态 Agent 基准数据：

基准	V4-Flash-Vision-Exp	V4-Flash	Opus-4.8
Terminal Bench 2.1	83.9	82.7	85.0
Toolathlon-Verified	75.9	70.3	76.2
DeepSWE	59.3	54.4	58.0
NL2Repo	57.7	54.2	69.7

Terminal Bench、DeepSWE 这些任务以前是纯文本 Agent 的天下，现在加入视觉输入后依然稳在第一梯队，DeepSWE 甚至超过了 Opus-4.8（59.3 vs 58.0）。官方给的总评是”多模态 Agent 能力已接近 Opus-4.8”，考虑到价格差，这句话含金量不低。

价格：一张图最多 384 token

计费规则是这篇最值得展开的部分，因为它直接决定了你的账单。

图片会按尺寸换算成 token，与文本 token 一起计费，价格和 V4-Flash 完全一致——输入 $0.14/百万 tokens（缓存命中 $0.0028），输出 $0.28/百万 tokens。没有额外的视觉处理溢价。

进模型前每张图片会被自动缩放：

总像素小于约 384×384 的图片保持长宽比放大
更大的图片保持长宽比缩小，缩小后总像素约相当于 800×800

所以每张图片消耗的 token 有硬上限：384 个。2000×2000 和 5000×5000 的图，处理后 token 数相同。

对比一下隔壁：GPT 和 Claude 处理同等分辨率的图片通常消耗 800 到 1100 个 token。同一张图，DeepSeek 的 token 开销不到竞品一半。 这个数字背后是 DeepSeek 此前公布的 “Thinking with Visual Primitives” 框架——把视觉元素压缩成空间坐标式的原语，而不是把整张图拆成密密麻麻的图像 patch。

多张图独立计费，每张都按同一规则算，没有额外计算方式。

接入教程：三种传图方式

上手很简单：模型参数设成 deepseek-v4-flash-vision-exp，base_url 用 https://api.deepseek.com，图片以 content 块数组传入，标准 OpenAI 兼容格式。

1. Base64 内联（本地文件最简单）

import base64
from openai import OpenAI

client = OpenAI(api_key="你的API密钥", 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)

2. 外部图片 URL（图片已在网上）

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "描述一下这张图片。"},
                {"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}},
            ],
        }
    ],
)

URL 最长 8192 个字符，图片最大 32 MiB，需在 60 秒内下载完成。

3. Files API（多请求复用同一张图）

上传一次拿 file_id，之后反复引用，不用重复上传：

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": "file", "file_id": "file-api-xxxxxxxxxxxxxxxx"},
            ],
        }
    ],
)

图片很大（超过 32 MiB）或者请求体接近 48 MiB 限制时，Files API 是唯一解——它支持单图最大 64 MiB。

Anthropic 兼容格式

用 Claude SDK 的，base_url 换成 https://api.deepseek.com/anthropic 即可，图片用 image 块：

import anthropic

client = anthropic.Anthropic()  # ANTHROPIC_BASE_URL=https://api.deepseek.com/anthropic
message = client.messages.create(
    model="deepseek-v4-flash-vision-exp",
    max_tokens=1024,
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "这张图片里有什么？"},
                {
                    "type": "image",
                    "source": {
                        "type": "base64",
                        "media_type": "image/jpeg",
                        "data": "<BASE64_DATA>",
                    },
                },
            ],
        }
    ],
)

detail 参数：控制精度和省钱

对 image_url 输入可以加 detail 字段控制处理方式：

取值	行为
`low`	缩放至 512×512，不需要精细细节时更快更省 token
`high` / `original`	保留原图
`auto`	自动选择，当前等价于 `original`

批量 OCR、快速识别场景用 low 能再省一笔；需要读小字、细线条时用 original。

限制清单（写代码前先看）

限制项	数值
支持格式	JPEG、PNG、GIF、WebP
请求体大小	48 MiB
单图最大（base64 / URL）	32 MiB
单图最大（Files API）	64 MiB
单请求最大图片数	600 张
图片最大尺寸	单边 8192 像素（≥15 张图时降为 4096）

两个硬性规则要记住：图片只能出现在 user 消息里，system/assistant 消息带图直接 400；只有 deepseek-v4-flash-vision-exp 这个模型接受图片，其他模型传图也会 400。

适合谁用

人群	推荐理由
Agent 开发者	终于不用再外接视觉模型做 bridge，原生看图让 Harness 类框架闭环
文档/流程自动化	界面截图解析、报错截图识别、图表数据提取一条龙
前端工程师	设计稿截图转描述、UI 重构参考，图文联合输入
成本敏感的个人开发者	一张图最多 384 token，价格碾压同级别视觉模型

官方演示的案例是生成商业定制 PPT——给一组图片和需求，直接产出完整方案。这类”看图干活”的场景会越来越多。

FAQ

Q：Exp 后缀是什么意思？能用于生产吗？ A：实验版（Experimental）。官方提示快速迭代中、可能有破坏性变更，生产环境建议先小流量验证再上。

Q：图片怎么计费？ A：按尺寸换算成 token，每张最多 384 个，与文本一起按 V4-Flash 价格计费，无视觉溢价。

Q：纯文本任务用这个模型会变贵吗？ A：不会。纯文本能力与 V4-Flash 持平，价格也一样。但纯文本场景直接用 V4-Flash 更省心，Vision 版留给需要看图的。

Q：图片能放 system 消息里吗？ A：不能。图片只支持 user 消息，否则返回 400。

Q：和 Qwen-VL 这类视觉模型比怎么选？ A：如果已经在用 DeepSeek 生态（API、Harness），Vision-Exp 免去桥接层、格式统一，迁移成本最低；对比竞品 token 开销不到一半。

Q：响应速度怎么样？ A：与 V4-Flash 同规格，实际速度取决于图片大小和 detail 等级，low 模式明显更快。

总结

V4-Flash-Vision-Exp 是 DeepSeek 补齐多模态闭环的关键一步：模型能看图了，Agent 才算真正”睁眼”。价格延续 Flash 系列的高性价比——一张图最多 384 token、文本能力不降级、多模态 Agent 逼近 Opus-4.8，对开发者是实打实的低成本选项。Exp 后缀提醒你它还在快速迭代，但方向已经很明确：DeepSeek 的下半场，是能看、能想、能干活的多模态 Agent。

想第一时间用上这类新模型、跑通自己的 Agent 项目，稳定的跨境网络加速服务是基础配置。下面是几个实测稳定的国际网络优化方案：

服务商	特点	适合
光速云	IEPL 专线 + IEPL专线多路复用，100+ 节点	主力首选，开发者重度使用
飞猫云	老牌稳定，IEPL 专线	长期稳定党
微风网络	低价入门，¥6.99/月	新用户尝鲜
飞猫云	IEPL 专线，性价比高	进阶用户

延伸阅读：DeepSeek V4-Flash 正式版指南（纯文本 API 接入）、DeepSeek Harness 上手指南（Agent 框架）、DeepSeek 入门到精通（注册与基础用法）