DeepSeek 上线多模态视觉模型 V4-Flash-Vision-Exp，API 定价不变、图片 token 消耗减半

事件概述

2026 年 8 月 21 日，DeepSeek 正式发布多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，并同步开放 API 服务。开发者可通过设置 model='deepseek-v4-flash-vision-exp' 调用，支持 base64 内联、外部 URL、Files API 三种图片传入方式。模型名中的“Exp”表明其仍为实验版本。

核心信息

• 定价与 V4-Flash 一致：一张图片最多占用 384 个 token，无额外视觉处理溢价。作为对比，GPT 和 Claude 处理同等分辨率图片通常消耗 800 到 1100 个 token，DeepSeek 的 token 开销不足竞品一半。这得益于其“Thinking with Visual Primitives”框架，将视觉元素压缩为空间坐标式原语，而非拆分图像 patch。
• 纯文本能力不降级：官方称其在 Agent、推理、世界知识等纯文本基准上与 V4-Flash 正式版持平，并非为视觉能力牺牲文本性能的特化模型。
• 多模态 Agent 能力接近 Opus-4.8：在需要视觉理解的 Agent Benchmark 上，相比纯文本版 V4-Flash 有大幅提升。
• 同步上线 Files API：该接口不收费，开发者可先上传图片获取 file_id，在请求中直接引用，同一图片多次调用无需重复传输，适合反复分析同一批图片的 Agent 工作流。

实测表现

实测中，将《牛来》电影经典“妈妈”特写截图输入模型，模型准确识别了牛的橙色配色、皱眉、厚嘴唇和“既凶又委屈”的表情，并保留画面底部“妈妈”字幕，输出为 SVG + CSS 渲染的卡通牛形象，全程 35 秒，消耗 384 token。

将《牛来》两头牛面对面的截图输入后，模型提取了牛的配色和基本形态，用 CSS 绘制出像素风奔跑牛角色，并生成包含天空、草地、障碍物和计分系统的可交互跑酷小游戏 HTML，从输入到输出完整游戏用时 36 秒。

在更贴近真实工作流的测试中，将一张支付产品 Landing Page 设计稿截图输入，模型 26 秒输出完整响应式 HTML 页面，渐变背景、导航栏布局、按钮样式、代码区语法高亮颜色均精确匹配，还自主添加了 hover 动效和入场动画，展示了视觉理解与代码生成叠加后的实际价值。

测试中复现了一个关键问题：在默认 thinking 模式下，推理 token 会耗尽全部输出预算。一次场景理解测试中，2001 个 completion token 全部为 reasoning token，实际输出为零。关闭 thinking 模式（设置 reasoning_effort: "none"）后，同一测试从 23 秒缩短至 7.9 秒，输出完整且质量上乘。该问题已连续两个版本出现，开发者处理视觉任务时应关闭 thinking 模式或设置足够大的 max_tokens。

产品选择与布局

DeepSeek 选择先在 Flash 上试水视觉能力，而非旗舰 Pro。Flash 为 284B 参数 MoE 模型，推理成本远低于 1.6T 参数的 Pro。每张图片至少占用 384 token 输入预算，若叠加在 Pro 定价上成本会迅速膨胀，Flash 的低价基底使多模态调用在经济上可行。

从时间线看，DeepSeek 的多模态布局依次推进：4 月底灰度识图模式，5 月大范围开放网页端，6 月全量上线 App，8 月 Harness 框架支持多模态，同一天 Flash Vision API 开放。模型名带“Exp”后缀，说明尚未正式 GA，但开发者等待多模态 API 的局面已经结束。