近日，DeepSeek正式上线了一款面向Agent时代的多模态模型——deepseek-v4-flash-vision-exp。该模型在保持DeepSeek-V4-Flash出色文本能力的基础上，新增了视觉理解能力，能够处理图片输入，并进一步提升了多模态Agent任务的表现。这一动作标志着DeepSeek在多模态能力上从单纯的“看图问答”走向更复杂的任务执行场景。
事件概览
deepseek-v4-flash-vision-exp目前已在DeepSeek API平台上开放使用，开发者可通过设置model=’deepseek-v4-flash-vision-exp’进行访问。官方将其定位为实验性模型，旨在为Agent工作流提供视觉支持。与此同时，DeepSeek Harness 0.1.1版本也加入了对该模型的原生支持，开发者可以直接调用该模型，将图像理解能力接入现有Agent工作流。
核心信息
模型能力与定位
deepseek-v4-flash-vision-exp在文本能力方面与V4-Flash保持一致，包括Agent能力、推理能力以及世界知识。新增的视觉理解能力使之能够处理混合文本和图片输入，图片可以通过Base64、外部URL或Files API方式提供。在多模态Agent基准测试中，该模型相比V4-Flash有明显提升，表现接近Opus-4.8等高端模型。
API调用方式
开发者可以通过Chat Completions、Messages以及Responses API调用该模型，使图片理解能力融入不同类型的应用。例如，在办公场景中，Agent可以读取截图、分析文档页面、理解表格内容；在开发场景中，可以识别界面问题、分析错误信息；在内容生产场景中，可以根据图片素材辅助生成内容。
定价策略
deepseek-v4-flash-vision-exp延续了V4-Flash的价格体系。输入和输出均按token计费，其中图片会根据尺寸转换为token，与文本token一同计算。每张图片最高换算为384 tokens。具体价格为：
- 输入价格（百万tokens）：缓存命中时，空闲时段0.05元，高峰时段0.10元；缓存未命中时，空闲时段1.5元，高峰时段3元。
- 输出价格（百万tokens）：空闲时段4.5元，高峰时段9元。
高峰时段为北京时间每天9:00至12:00以及14:00至18:00，其余时间按空闲时段计费。这一定价延续了DeepSeek相对低成本的API策略，旨在降低开发者调用视觉模型的门槛。
Files API解决图片复用问题
伴随视觉模型上线，DeepSeek同步推出了Files API。此前，开发者在使用视觉模型时，需要在每次请求中重新上传图片，当图片需要在多个请求或多轮对话中重复使用时，不仅增加网络传输成本，还会受到请求大小限制。Files API允许开发者先上传图片文件，随后通过file_id在不同请求中引用同一文件，无需重复上传。目前，Files API支持JPEG、PNG、GIF和WebP格式，单个文件最大64 MiB，单用户最大存储空间25 GiB，最多可保存10000个文件。这一功能对于需要长期分析产品资料、反复调用素材的复杂Agent工作流尤为重要。
影响与观察
此次DeepSeek上新模型，并未单独强调图像生成或视觉娱乐能力，而是将重点放在多模态Agent场景，这与行业趋势高度吻合。AI Agent正在从处理文字指令，走向理解现实世界中的各种信息。文字是人类交流的重要方式，但大量真实工作依赖图片、文件、界面和环境信息。一个只能处理文本的Agent，很难真正进入办公、设计、开发等复杂场景。因此，多模态能力正在成为Agent进一步发展的基础设施。DeepSeek通过V4-Flash-Vision-Exp、Files API以及Harness生态支持，正在尝试补齐这一环节。从定价策略来看，DeepSeek继续以较低成本吸引开发者，尤其关注长尾应用场景，这有助于推动多模态Agent的普及。
结语
deepseek-v4-flash-vision-exp的发布，意味着DeepSeek在多模态方向上迈出了实质性一步。虽然目前仍为实验性模型，但其在Agent任务中的表现已经接近业界先进水平。随着Files API等配套工具的完善，开发者将能够更便捷地构建支持视觉理解的智能应用。未来，多模态Agent或许会成为AI落地的关键形态，而DeepSeek正在为此铺路。
信息来源：爱范儿，查看原始信息。本文由 AI ONLINE 基于公开资料整理，信息可能随时间变化，请以官方发布为准。