新智元报道
DeepSeek 首个多模态 API 模型正式上线，命名为 DeepSeek-V4-Flash-Vision-Exp。该模型不仅支持即时调用，更将视觉能力以“免费赠品”的形式集成：单张图片最高仅占用 384 个 Token，计费标准与纯文本版 V4-Flash 完全一致。
在竞品普遍对多模态能力单独高昂计费的背景下，DeepSeek 直接提供了满配版的视觉解析能力，大幅降低了开发者的接入门槛。
V4-Flash 视觉升级：性能全面超越
引入视觉模块后，V4-Flash-Vision-Exp 在纯文本处理能力上并未妥协，反而表现更强。在七项 Agent 基准评测中，该模型有六项得分超越了前代版本 V4-Flash-0731。在多模态专项测试中，其表现更是比肩硅谷顶尖模型。
对于开发者而言，这意味着无需再为维护两套模型（一套看图、一套处理文本）而增加成本与复杂度，单一模型即可胜任全流程任务。
实测场景一：高精度网页复刻
在 Agent 框架测试中，我们向模型输入一张 OpenAI 官网截图，要求 1:1 复刻为可运行的单文件 HTML。Prompt 明确要求模型先分析布局、字体、色值及间距，再编写代码，并需还原交互细节与响应式适配。
这不仅考验识别能力，更考验将视觉元素转化为代码逻辑的能力。测试结果显示，V4-Flash-Vision-Exp 生成的网站在视觉还原度上几乎与原版无异。
实测场景二：专业 B 端方案生成
随后，我们测试了更复杂的商业场景：为一家精品咖啡烘焙工坊制作 B 端合作 PPT。需求涵盖浅烘单品豆定位、5 公斤起订量、三档供货方案等具体细节，并要求风格粗粝、拒绝行业黑话，面向专业咖啡馆主理人。
模型最终输出了一份 11 页的专业提案，精准覆盖了所有核心调性与业务细节，无一句废话或外行科普，直接达到了可交付客户的标准。
成本颠覆：视觉 API 价格战
据 TokenMix 横评数据，处理一张 1024×1024 的图片，Claude Sonnet 4.6 消耗约 1334 Token（千张图成本约 4 美元），GPT-5.4 Vision 消耗 765 Token（约 1.9 美元），Gemini 3.1 Pro 消耗 258 Token（约 0.5 美元）。折合人民币，竞品最高成本接近 29 元/千张。
相比之下，DeepSeek 设定了 384 Token 的封顶值。结合 V4-Flash 低至 3 元/百万 Token 的输入单价（低谷时段五折），处理一千张图片的成本仅为 1.15 元，谷时甚至不足 0.6 元。
近 30 元与 1 元的差距高达 25 倍，若算上谷时优惠则达 50 倍。这种量级的成本差异彻底改变了产品设计逻辑：从“谨慎判断是否调用视觉”，转变为“Agent 每一步皆可截图分析”。
生态闭环：八天补齐最后一环
DeepSeek 在最近八天内快速完成了生态闭环：
- 8 月 13 日：Harness 开源，原生支持 Responses API，夯实 Agent 运行时基础。
- 8 月 21 日：视觉模型上线，支持 Chat Completions、Messages、Responses 三种调用格式；Harness 同步更新至 0.1.1 版本，开箱即用，无需额外适配代码。
在图片输入方式上，官方提供了 Base64 内联、外部 URL 及 Files API 三种路径。其中，Files API 同步开放且免费，支持上传一次后通过 file_id 重复引用，有效降低了处理同一设计稿或报表时的往返成本。
参考资料：
X (Twitter) @deepseek_ai
编辑：摩西 所罗门
