跳到主要内容

DeepSeek 多模态视觉模型正式上线：补齐 Agent 感知入口，价格对齐 V4-Flash

2026 年 8 月 21 日下午，DeepSeek 官方 API 文档的「模型细节」页面悄悄多了一行：deepseek-v4-flash-vision-exp。这是 DeepSeek V4 系列首个直接支持图片输入的视觉模型，从产品定义上补齐了 DeepSeek Agent 框架的「感知入口」。

更重要的是定价策略：Vision-Exp 与 V4-Flash 正式版价格完全一致，图片按尺寸折算成 Token 与文本一同计费，没有额外的视觉税。对一个刚满一周的 Agent 生态来说，这是个重要信号。

一、这次发布的三个关键细节​

1. 能力面

  • 上下文窗口：1M
  • 最大输出长度：384K
  • 支持接口：JSON Output、Tool Calls、Responses API、Anthropic API、对话前缀续写
  • 计费方式：图片按尺寸折算成 Token，与文本 Token 一同计费

2. 价格面（与 V4-Flash 完全一致）

计费类型空闲时段高峰时段
缓存命中0.05 元/百万 Token0.10 元/百万 Token
缓存未命中1.5 元/百万 Token3 元/百万 Token
输出4.5 元/百万 Token9 元/百万 Token

媒体测算「1000 张图只要 1 块钱」正是基于这个价格带。没有视觉附件溢价——这在多模态模型里是相当激进的定价。

3. 模型定位

模型名带「Exp」（Experimental），DeepSeek 明确这是实验性版本，先在 API 平台跑一段时间，收集反馈后再决定是否升正式版。同步上线的 DeepSeek Harness v0.1.1-rc.1 把视觉能力接入了 /goal、/plan 等命令，Agent Loop 现在可以直接接收图文混合输入。

二、为什么这次发布「被迫加速」​

V4-Flash-Vision-Exp 的快速上线不是主动规划，是社区需求倒逼的结果。

时间线：

  • 4 月下旬：DeepSeek 发布 V4 预览版（V4-Pro 1.6T/49B，V4-Flash 284B/13B），统一 1M 上下文，但只有纯文本能力
  • 8 月 13 日：DeepSeek 更新 V4-Pro，开放 DeepSeek Harness（Agent 执行框架）
  • 8 月 13-20 日：开发者尝试在 Harness 里上传图片，直接收到 MODEL_DOES_NOT_SUPPORT_IMAGES 错误
  • 8 月 21 日：V4-Flash-Vision-Exp 上线 API

Harness 开放仅一周，「怎么让 DeepSeek 看图」就成了 GitHub 讨论区的高频问题。社区开始自发给 DeepSeek「装眼睛」：

  • 方案 A：在 DeepSeek 前面接一个 Qwen-VL 等视觉模型，先把图片转成文字描述，再交给 DeepSeek 推理
  • 方案 B：修改 Harness，把图片保存到工作区，再由视觉插件/脚本/子 Agent 读取

DeepSeek 显然看到了这个信号，并在最短时间内把官方视觉能力补上——这与 8 月 13 日 Harness 上线相隔刚好 8 天。

三、Vision-Exp 真正改变的是什么​

表面上是一次模型上新，实际上改写了 DeepSeek Agent 生态的能力边界。三件事被激活：

1. Agent Loop 不再「断」

之前 Harness 里的 Agent 处理图片时，链路在「读图」这一步就断。Vision-Exp 让图片能直接进入会话上下文，Agent 后续的工具调用、文件处理、规划步骤才真正能跑通。

2. Harness 里的"多模态插件生态"获得原生支持

社区已经做了十几个 vision bridge 插件（dsh-deepresearch 等），但都是 hack。官方视觉能力补齐后，这些插件可以专注于「专业视觉能力」（如 OCR、表格识别、UI 截图分析）而不是「能不能看图」这种基础能力。

3. 价格锚点建立

Vision-Exp 沿用 V4-Flash 价格表，等效于 DeepSeek 宣布"视觉能力不另收税"。这给整个 API 市场建立了一个新锚点——同行后续做多模态 API 定价时，很难再轻松加收"图像理解溢价"。

四、与 V4-Pro 的关系​

注意：这次只更新了 V4-Flash 的视觉版本（284B 参数、13B 激活），V4-Pro（1.6T/49B）暂时没有同步上线视觉能力。

这背后有产品节奏的考虑：

  • V4-Flash 定位是「高性价比通用模型」，先补齐视觉能让更多开发者用上
  • V4-Pro 定位是「高难度推理模型」，视觉能力需要更谨慎地评估（图片会让推理 prompt 变得很长，可能影响 Pro 的核心优势）
  • 实验性 Vision-Exp 先收集 2-4 周反馈，V4-Pro 视觉版可能要到 Q4 才会上

DeepSeek 的"先小后大"产品策略——先用 Flash 跑通感知入口，再把视觉能力上探到 Pro——避免了把 Pro 模型一次性做大改动的风险。

五、行业层面的影响​

对多模态 API 市场：DeepSeek 用 1M 上下文 + Flash 价格 + 原生视觉组合，把"多模态"这个赛道的入门门槛又往下拉了一截。GPT-4o、Gemini、Claude 等产品的视觉 API 价格如果不做调整，性价比劣势会被进一步放大。

对开源多模态模型：Qwen-VL、InternVL 等开源视觉模型原本在 DeepSeek 生态里承担"补视觉"的桥接角色，现在这个角色被官方接管。开源模型需要找新的差异点（如更强的 OCR、更细的视觉问答、屏幕理解等）。

对 Agent 开发者：Harness 终于能「看」了，用 DeepSeek 做截图分析、UI 操作辅助、文档识别的 Agent 都能跑通。这会催生一批基于视觉能力的新型 Agent 应用。

六、现在就能尝试的 3 个场景​

如果你是 API 开发者，今天就能试：

  1. 文档识别 Agent：上传合同/发票图片，让 Agent 提取结构化信息并写入 CRM
  2. UI 截图分析：上传产品截图，让 Agent 输出前端代码或定位 UI 问题
  3. 多模态客服：用户发来商品问题图片，Agent 同时看图+查知识库给回答

模型名称：deepseek-v4-flash-vision-exp 接入方式：DeepSeek API 平台，与 V4-Flash 共用 base_url

七、这次发布的真正信号​

V4-Flash-Vision-Exp 的「免费视觉税 + 实验性版本」组合，标志着 DeepSeek 在 Agent 框架层面的策略已经清晰：

  • 感知层：先把视觉补齐，下一步大概率是音频、视频
  • 执行层：Harness 框架已经能调工具、跑代码、操作文件
  • 规划层：V4-Pro 的强推理 + 长上下文是核心

DeepSeek 不再是「纯文本 LLM 厂商」，而是「全栈 Agent 基础设施提供商」。V4-Flash-Vision-Exp 是这个转型的第一块拼图，也是给整个 API 市场的一封战书。