写 Agent 最怕什么？明明截图就摆在眼前，模型却看不见。DeepSeek 最近给纯文本的 V4 Flash 接上了视觉，一张图最多算 384 个 token，价格和文本版完全一样。它瞄准的不是聊天看图，而是让 Agent 真正能读截图、识图表、看报错。到底值不值得接，上手试一遍再说。
产品概述
DeepSeek-V4-Flash-Vision-Exp 是 DeepSeek 在 2026 年 8 月 21 日上线 API 平台的一个实验性多模态视觉理解模型。它的定位很直白：在原本纯文本的 V4 Flash 基础上加上图片理解能力，模型 ID 就是 deepseek-v4-flash-vision-exp。
整个 V4 系列今年 4 月才以预览形式放出 Pro 和 Flash 两个纯文本版本。一个月前 DeepSeek 开源了 Agent Harness，开发者很快发现一个尴尬的事实：Harness 能调终端、调文件、跑代码，却看不了图。社区只好自己接 Qwen-VL 之类的视觉模型来”代看”。
这个视觉实验版就是来补这块短板的。它不是一个新旗舰，而是把视觉塞进了最小、最快、最便宜的那条产品线。DeepSeek 官方反复强调它是”实验性质”，意味着架构细节、训练方式都没有公开，价格也可能随时调整。
官网：https://api-docs.deepseek.com | 项目地址：https://github.com/deepseek-ai
核心功能
前面聊了这东西是干嘛的，接下来仔细看看它到底有哪些硬实力。
它最核心的能力当然是”看图”。模型支持 JPEG、PNG、GIF、WebP 四种图片格式，图片会先被转换成 token 再和文本一起计费，单张图最多按 384 个 token 计算。这意味着无论你丢一张 4K 截图还是小图标，视觉成本都有明确上限，不会失控。
多模态 Agent 能力是它最想证明的点。DeepSeek 的说法是，在需要视觉理解的 Agent Benchmark 上，它的表现已经”接近 Opus 4.8″。典型场景包括读网页截图、识别报错界面、分析图表、看软件 UI、读设计稿，再根据图片继续操控电脑或改代码。
接口兼容性也铺得很全。它同时支持 Chat Completions、Messages、Responses 三种格式，兼容 OpenAI 和 Anthropic 两套 SDK，原生支持 JSON 输出和工具调用。也就是说，你现有的 Agent 代码大概率不用大改就能把图传进去。
它还有思考和非思考两种模式，可以按需切换。长上下文方面延续了 V4 Flash 的 1M 上下文和 384K 最大输出，适合把整本带图的文档一次性丢进去。不过 FIM（中间补全）不被支持，需要代码续写的场景要注意。
上手体验
聊完功能，最想知道的肯定是实际用起来什么感觉。
接入门槛低得有点意外。你不需要下载任何东西，只要有一个 DeepSeek API Key，用熟悉的 OpenAI SDK 把 base_url 指向 DeepSeek，模型名填 deepseek-v4-flash-vision-exp 就能发请求。图片可以走 base64、外链 URL，或者先传到新上线的 Files API 复用。
我试了一段最典型的用法：丢一张仪表盘截图，让模型读出关键指标并总结趋势。返回速度在意料之中地快，毕竟底层还是那个 13B 激活参数的 Flash 模型。中文识别准确，图表里的数字和标签基本没看错。
第一次产出的质量有个小坑值得说：如果图片里文字很小或叠加在复杂背景上，偶尔会漏读次要标签。好在这类问题可以通过”先放大关键区域”或”在 prompt 里指定重点”来规避，不算硬伤。整体手感是”便宜、快、够用”，和它对标的价格区间完全对得上。
使用技巧
很多人不知道还有这些进阶用法，能明显拉开和纯文本模型的距离：
-
复用图片走 Files API：同一张参考图要在多轮对话里反复用，先传 Files API（最大 64 MiB），后续只引用文件 ID，比每次 base64 重传省约 60% 的请求体积。 -
小图优先控制成本：单张图固定上限 384 token，把截图压缩到必要分辨率再传，既保住识别率又不会浪费上下文，高清原图反而容易触发截断。 -
图文混排给坐标：让模型输出边框坐标或区域描述时，在 prompt 里明确要求”按左上角坐标标注”，后续接 GUI Agent 直接可执行，定位误差能降一截。 -
思考模式留给难题：截图分类、简单 OCR 用非思考模式，速度翻倍；只有涉及多步推理的图表分析才开思考模式，把算力花在刀刃上。
竞品对比
多模态 API 这条赛道现在挤满了选手，先看清谁在什么位置。
同类产品里，Claude Opus 4.8 是 DeepSeek 自己点名的对标对象，Gemini 3 Flash 和 Qwen3-VL 则是价格和定位上最直接的对手。各自侧重点差异很明显。
| 维度 | DeepSeek-V4-Flash-Vision-Exp | Claude Opus 4.8 | Gemini 3 Flash | Qwen3-VL（API） |
|---|---|---|---|---|
| 视觉能力 | 支持，实验版 | 支持，成熟 | 支持，原生 | 支持，开源 |
| 输入价格（$/M） | 0.22 | 5.00 | 0.50 | 0.20 起 |
| 输出价格（$/M） | 0.66 | 25.00 | 3.00 | 1.60 起 |
| 上下文窗口 | 1M | 1M | 1M | 262K（可扩 1M） |
| 开源权重 | 否（仅 API） | 否 | 否 | 是（Apache 2.0） |
| 核心差异化 | 最便宜的视觉 Agent | 可靠性最高 | 主动视觉加音视频 | 可自托管 |
DeepSeek 这版的最大杀器是价格。同样带视觉，它的输入价只有 Opus 4.8 的约 4%，输出价约 2.6%。和 Gemini 3 Flash 比也便宜一半以上。代价是它还是实验版，没有公开的技术报告，也没有独立实验室复现过它的基准分数。
基准分数的水分值得单独看。DeepSeek 自己的 11 项对照表里，视觉实验版赢了 3 项、输了 8 项，最大差距在 NL2Repo（57.7 对 69.7）。这些数字来自厂商自测，且文本版在带图题里”忽略”了图片内容，所以观感被拉高了一截。
Qwen3-VL 反向走开源路线，能自己部署、数据不出门，但 API 价格和上下文都略逊一筹。四个模型其实不在一条绝对优劣线上，而是各自卡住了不同的需求档位。
用户反馈
模型刚上线两天，社群讨论已经热闹起来，但明显两极。
喜欢的人集中在 Agent 开发者群体。不少人夸它”终于不用在前端接 Qwen-VL 代看了”，有人实测读报错截图再自动修 bug 的链路跑通了，说”省掉了最别扭的一层胶水代码”。价格也反复被点名，社区里”同价位找不到第二个能看图的”是高频评价。
吐槽的点也很集中。最尖锐的是基准分数的可信度：有开发者指出对比表里纯文本版在带图测试里根本”忽略”了图片，所以这个”大幅跃升”有一部分只是补齐了原本没有的能力。还有人担心 Exp 后缀意味着随时可能调价或下线，不敢接生产。
第三方聚合平台目前还没有稳定评分，品控主要靠早期自测。整体口碑偏向”便宜到值得试，但不敢全押”的谨慎乐观。
多维评分
光说好不好不够，按固定维度拆开打分才看得清强弱。
| 维度 | 权重 | 星级 | 一句话解读 |
|---|---|---|---|
| 功能完整性 | 20% | ⭐⭐⭐⭐☆ | 图文混排加工具调用齐全，缺视频音频 |
| 易用性 | 15% | ⭐⭐⭐⭐⭐ | 兼容双 SDK，改个模型名就能用 |
| 性能表现 | 15% | ⭐⭐⭐⭐☆ | 视觉 Agent 接近 Opus 4.8，NL2Repo 差 12 分 |
| AI 能力 | 15% | ⭐⭐⭐⭐☆ | 看图识图表达标，复杂推理仍偏弱 |
| 价格合理性 | 10% | ⭐⭐⭐⭐⭐ | 同档视觉模型里最便宜 |
| 生态集成 | 10% | ⭐⭐⭐⭐☆ | Harness 0.1.1 加 Files API 同步就位 |
| 文档与支持 | 10% | ⭐⭐⭐☆☆ | 接口文档有，视觉基准与方法学缺失 |
| 更新频率 | 5% | ⭐⭐⭐⭐☆ | 紧跟 V4 节奏，实验版迭代快 |
| 综合评分：7.9 / 10 |
分数里”性能表现”和”AI 能力”扣在 DeepSeek 自己的基准表上：11 项里赢 3 项、输 8 项，最大差距在 NL2Repo。但考虑到它只是个 Flash 档位的实验模型，这个表现已经超出价位预期。
优缺点
优势
-
视觉零加价：图片按 token 计费且单张封顶 384，价格与原文本版完全一致，这是最实在的卖点。 -
双 SDK 兼容：OpenAI 和 Anthropic 两套接口都通，现有 Agent 几乎零改造成本。 -
长上下文看图：1M 上下文能吃下整本带图文档，适合长链路 Agent 任务。
不足
-
基准水分：对比表里文本版”忽略图片”拉高了观感，真实差距没宣传的那么夸张。 -
实验性质风险：无技术报告、无独立复现、随时可能调价或下线，生产环境要留后路。 -
模态单一：只支持图片，视频和音频都不行，复杂多媒体场景还得换模型。
适用人群
到底谁该用、谁该观望，直接对号入座更稳妥。
-
Agent 开发者：正在用 DeepSeek 搭自动化流程、需要读截图或图表的人，这是目前成本最低的接图方案。 -
预算敏感的中小团队：想给产品加视觉理解又嫌 Opus 4.8 太贵，这个实验版能把单价压到几十分之一。 -
个人开发者与研究者：喜欢折腾新模型、愿意用自测替代官方背书的人，便宜够香。 -
强合规或数据不出门场景：这类用户不太适合，因为模型仅 API 可用、权重不开放，Qwen3-VL 自托管更像首选。
定价方案
算账之前先说清楚，以下价格截至 2026 年 8 月官网显示，实验版可能调整。
它和 V4 Flash 文本版同价，视觉能力不另收钱。按高峰、空闲时段区分（价格截至 2026 年 8 月 DeepSeek 官网，实验版可能调整）：
| 时段 | 缓存命中输入 | 缓存未命中输入 | 输出 | 图片计费 |
|---|---|---|---|---|
| 空闲 | ¥0.05/M（$0.007） | ¥1.5/M（$0.22） | ¥4.5/M（$0.66） | ≤384 token/张 |
| 高峰 | ¥0.10/M（$0.014） | ¥3/M（$0.44） | ¥9/M（$1.32） | ≤384 token/张 |
从 2026 年 8 月 23 日起，周末全天按空闲价计。并发上限 2,500。对大多数读截图场景，单图成本几乎可以忽略，真正的开销在长上下文的重复输入上，用 Files API 和缓存能压下来。
常见问题
挑了几个被问得最多的问题，直接给结论。
Q1：DeepSeek-V4-Flash-Vision-Exp 是开源模型吗？
A1：不是，目前仅通过 API 提供。 截至 2026 年 8 月，官方没有放出任何权重，Hugging Face 上也找不到可下载版本，想自托管得等后续的正式版。
Q2：图片怎么传给它，支持哪些格式？
A2：支持 JPEG、PNG、GIF、WebP 四种格式。 可通过 base64、外链 URL 或 Files API 传入，内联和 URL 图片最大 32 MiB，Files API 最大 64 MiB。
Q3：一张图到底要花多少 token？
A3：单张图最多按 384 个 token 计算。 图片会先被转成 token 再和文本一起计费，与分辨率无关，所以视觉成本有硬上限，不会随图片变大暴涨。
Q4：它和 Claude Opus 4.8 谁更强？
A4：DeepSeek 自称多模态 Agent 接近 Opus 4.8，但仅赢 3 项、输 8 项。 这些分数来自 DeepSeek 自己的测试，且文本版在带图题里忽略了图片，真实差距没宣传那么夸张。
Q5：能用现有的 OpenAI SDK 调用吗？
A5：可以，几乎不用改代码。 把 base_url 指向 DeepSeek，模型名填 deepseek-v4-flash-vision-exp，Chat Completions、Responses、Anthropic 兼容接口都支持。
Q6：支持视频或音频理解吗？
A6：不支持，目前只处理图片。 视频、音频输入均不在能力范围内，需要多模态的场景得换 Gemini 3 Flash 这类模型。
Q7：实验版（Exp）意味着什么风险？
A7：可能随时调价、下线或改接口。 官方明确它是实验性质，生产环境建议保留备用模型，不要单点依赖。
Q8：上下文和最大输出是多少？
A8：1M 上下文、384K 最大输出。 延续 V4 Flash 的配置，适合把长文档带图一次性喂进去，但 FIM 中间补全不支持。
Q9：有免费额度可以试吗？
A9：API 按量计费，没有独立免费档。 不过视觉按 token 计价且单图封顶 384，小规模试用成本很低，注册即有余额即可跑通。
Q10：它和 DeepSeek-V4-Flash 文本版是什么关系？
A10：同一产品线的视觉增强版。 文本能力保持一致，额外获得图片理解，价格和接口完全对齐，相当于给 Flash 装了眼睛。
结论
DeepSeek-V4-Flash-Vision-Exp 干了一件很聪明的事：不重训旗舰，而是给最便宜的 Flash 接上眼睛，价格还一分不涨。对正在用 DeepSeek 搭 Agent、又苦于模型看不了图的开发者，它是目前成本最低的解法，兼容性也做到近乎零摩擦。
但它终究是实验版，基准水分、随时调价、无开源权重这三件事决定了它适合先接进测试链路，而不是直接扛生产。如果你要的是最便宜的”能看图的 Agent 大脑”，现在就可以试；如果你要的是可自托管或经过独立验证的视觉模型，Qwen3-VL 或 Gemini 3 Flash 更稳。