智东西作者 陈骏达编辑 李水青

智东西8月21日报道，就在刚刚，DeepSeek宣布全新的多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp（实验性质模型）上线DeepSeek API 平台。

DeepSeek同步公布了这一模型的详细基准测试结果。根据模型名字推测，DeepSeek-V4-Flash-Vision-Exp是在DeepSeek-V4-Flash基础上打造的，基准测试中其纯文本能力（Agent、推理、世界知识等）与DeepSeek-V4-Flash正式版持平。

在需要视觉理解的Agent Benchmark上，DeepSeek-V4-Flash-Vision-Exp相比DeepSeek-V4-Flash实现了大幅提升，多模态Agent能力已接近Opus 4.8。

要使用这一模型，开发者需将模型参数设置为deepseek-v4-flash-vision-exp，即可通过API调用V4-Flash-Vision-Exp的图像理解能力。

计费上，图片会先转换为token再计入用量，单张图片最多按384 tokens计算，价格与V4-Flash模型持平。据此计算，高峰时段用该模型理解一张图片的最高价格为0.001152元。

调用方式上，这套多模态API同时兼容Chat Completions、Messages、Responses三种格式，支持图文混合输入，方便接入各类Agent工具；图片传入支持base64内联和外部URL两种方式。

此外，DeepSeek还同步上线了免费的Files API，开发者可以先把图片上传到平台，后续请求中凭file_id直接引用，同一张图片无需重复上传，能省下一笔重复传输的开销。

DeepSeek官方称，V4-Flash-Vision-Exp在各类Agent框架内展现出了较好的多模态适配能力，能够有效支持用户借助多样化的Agent工具解锁更多实用的工作场景。

比如，用户可以用V4-Flash-Vision-Exp制作PPT内容，模型可以理解真实摄影图片风格、野性、原始、探索感等较为抽象的风格化要求。

V4-Flash-Vision-Exp还可以被用于视觉编程任务，比如对DeepSeek Harness官网进行二次创作，加上黑蓝深海、玻璃UI和ASCII原子像素等视觉要素。

可以看到，V4-Flash-Vision-Exp打造的网页视觉特效还是较为精美的，动画流畅，文字质感不错。

值得一提的是，8月19日，DeepSeek Harness已经先行更新，将多模态能力作为升级重点，覆盖多模态输入、子代理协作、终端体验、工具调用和开发者支持等多个方向，既补齐了Agent处理图片等多模态任务的能力，也进一步完善了子代理协作、终端交互和工具调用体验。

今天，DeepSeek Harness再次更新，DeepSeek模型适配器新增DeepSeek-V4-Flash-Vision-Exp多模态模型选项，并支持配置原生图片请求。

结语：DeepSeek多模态API，终于补齐

多模态理解早已是主流大模型的标配能力，截图、文档、网页、UI界面，许多真实工作大多绕不开看图这一步。但在这条赛道上，DeepSeek长期是个例外，直到今年4月底，DeepSeek才以灰度测试的方式上线识图模式，6月在网页端和App全量开放，而面向开发者的多模态API，则一直等到了今天。

随着DeepSeek多模态模型的上线，DeepSeek Harness+V4-Flash-Vision-Exp的组合可能会衍生出更多有趣玩法。这一模型还符合DeepSeek一贯的定价风格，多模态调用的价格门槛，大概率还会被再拉低一档。

关键词： 调用 编程 多模态 模态模型 flash agen