8月21日，深度求索宣布全新的多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp正式上线DeepSeek API平台。该模型在文本输入之外支持图片输入，可完成图片描述、截图文字识别、图表分析等任务，支持的图片格式包括JPEG、PNG、GIF和WebP。
据深度求索官方介绍，V4-Flash-Vision-Exp在各类Agent框架内展现出较好的多模态适配能力，能够有效支持用户借助多样化的Agent工具解锁更多实用工作场景。该模型为实验性质，用户可通过设置model=’deepseek-v4-flash-vision-exp’进行访问。
在模型能力方面，DeepSeek-V4-Flash-Vision-Exp的纯文本能力（包括Agent、推理、世界知识等）与DeepSeek-V4-Flash正式版持平。而在需要视觉理解的Agent Benchmark上，该模型相比DeepSeek-V4-Flash实现了大幅跃升，多模态Agent能力已接近Opus-4.8。
API服务方面，图片在传入后会转换为token并按token计费，单张图片最多占用384个token，计费价格与V4-Flash模型保持一致。多模态API支持Chat Completions、Messages、Responses三种格式调用，可方便接入各类Agent工具，支持图文混合输入，并提供base64内联、外部URL、Files API三种图片传入方式。
同期上线的还有Files API。该API不收费，用户可先将图片上传至平台，再在请求中通过file_id引用，从而节省请求带宽，同一张图片在多个请求中无需重复上传。
此次多模态模型的发布，进一步丰富了深度求索在视觉理解领域的产品矩阵。随着Agent工作流对多模态输入需求的增长，该模型的推出为开发者提供了更灵活的视觉理解能力接入方案，或将在文档处理、数据分析等企业级应用场景中产生实际价值。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
