发布日期：2026-08-21 | 标签：DeepSeek、多模态视觉、Agent、API、Files API

DeepSeek 于 2026 年 8 月 21 日正式开放多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp 的 API 调用权限，这是其首个面向开发者公开的视觉理解模型，通过设置 model='deepseek-v4-flash-vision-exp' 即可接入。模型在纯文本基准上与 V4-Flash 正式版保持持平（Terminal Bench 2.1 得分 83.9、DeepSWE 59.3），同时在多模态 Agent 基准 Chartography 上得分 64.3，接近 Claude Opus-4.8 水准，填补了 DeepSeek 在 API 侧视觉能力的长期空白。计费沿用 V4-Flash 标准，单张图片最多折算 384 tokens；同步上线的 Files API 免费提供图片先传后引用功能，适合多轮 Agent 场景下的图片复用，无需每次请求重复上传。本文梳理了模型的核心能力对比、三种 API 调用方式与 Files API 的使用方法，并分析了 PPT 生成、网站重构、前端 Demo 创作三类典型落地场景。

从"纯文字"到"能看图"：V4-Flash-Vision-Exp 的核心变化

DeepSeek-V4-Flash-Vision-Exp 是在 V4-Flash 正式版基础上增加多模态视觉能力的实验性版本，两者共享同一套模型结构与参数规模。

纯文本能力：与 V4-Flash 持平

在覆盖代码 Agent、推理、世界知识的多项基准上，V4-Flash-Vision-Exp 与 V4-Flash 正式版表现相当：

基准

V4-Flash-Vision-Exp

Terminal Bench 2.1

83.9

DeepSWE

59.3

ZeroBench（Pass@5）

35.0

这意味着引入多模态能力后，纯文字任务没有明显退化——开发者在接入视觉功能的同时不需要担心代码和推理能力打折扣。

多模态能力：大幅跃升

在需要视觉理解的 Agent 基准 Chartography（p0.95）上，V4-Flash-Vision-Exp 得分 64.3，整体水准已接近 Claude Opus-4.8 的多模态 Agent 表现。相比只能处理纯文字的 V4-Flash，视觉模型能够直接在 Agent 工作流中读取截图、分析 UI 布局、理解图表数据，省去了人工拆解图片内容再输入文字的中间步骤。

注：上述基准中，文本模型 DeepSeek-V4-Flash 在 ApexBench 与 Agents' Last Exam 中会忽略多模态元素；代码 Agent 类任务使用 DeepSeek Harness 极简模式（max 档，temperature=1.0，top-p=0.95）测试。

如何调用：三种接口格式，兼容主流 Agent 框架

V4-Flash-Vision-Exp 支持 Chat Completions、Messages、Responses 三种调用格式，可以无缝接入 LangChain、AutoGen、CrewAI 等主流 Agent 框架。

基础调用示例（OpenAI 兼容格式）

from openai import OpenAI

client = OpenAI(
    api_key="<YOUR_DEEPSEEK_API_KEY>",
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/chart.png"  # 外部 URL
                    }
                },
                {
                    "type": "text",
                    "text": "分析这张图表的趋势，并给出结论"
                }
            ]
        }
    ]
)
print(response.choices[0].message.content)

三种图片传入方式：

  • 外部 URL：直接传公网可访问的图片链接，适合快速测试

  • Base64 内联：将图片编码后嵌入请求体，适合本地文件处理

  • Files API 的 file_id：先上传再引用，适合多次重复使用同一张图

计费说明

图片按 token 计费，单张最多折算 384 tokens，费率与 V4-Flash 文字 token 相同——输入 1 元/百万 token，输出 2 元/百万 token。以最大值估算，单次发送一张图片的图片部分成本约为 0.000384 元，在 Agent 多轮交互场景中几乎可以忽略不计。

Files API：一次上传，多次引用

与视觉模型同步上线的 Files API 免费开放，解决了 Agent 场景中重复上传同一张图的带宽浪费问题。

工作流程：

  1. 使用 Files API 将图片上传到 DeepSeek 平台，获取 file_id

  2. 在后续请求中通过 file_id 引用该图片，无需重新上传

  3. 同一张图片可在不同会话、不同请求中复用

# 第一步：上传图片
with open("dashboard.png", "rb") as f:
    file_response = client.files.create(
        file=f,
        purpose="vision"  # [版本待核实：purpose 字段值请参照官方 Files API 文档确认]
    )
file_id = file_response.id

# 第二步：后续请求直接引用 file_id
response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "image_file",
                    "image_file": {"file_id": file_id}
                },
                {"type": "text", "text": "对比上一次的数据，今天的指标有什么变化？"}
            ]
        }
    ]
)

Files API 本身不收费，上传的图片存储在平台侧。在监控看板定期截图分析、长期项目 UI 评审等场景中，File 引用模式能显著降低单次请求体积。

三个典型 Agent 场景

DeepSeek 发布时给出了三个代表性示例，展示了多模态 Agent 的实际落地空间：

场景一：生成 PPT Agent 接收带有视觉风格要求的提示词后，自主搜索配图、规划布局、生成幻灯片文件。上述西藏自驾游案例中，Agent 处理了"高端定制游"的品牌调性要求，并生成含真实摄影风格配图和三档定价方案的完整 PPT。

场景二：网站二次创作 在给定参考网站截图后，Agent 读取 UI 结构，按"黑蓝深海 + 玻璃 UI + ASCII 原子像素"等视觉要素完成重构，生成可交付的前端代码。这类任务此前需要开发者手动拆解截图描述给文本模型，现在可以直接以图片作为输入。

场景三：前端 Demo 生成 Agent 将视觉概念（"3D 黏土小怪物 + 复古舞池"）转化为带动态特效的 HTML/CSS/JS Mini Demo，全程无需人工写代码。

这三个场景的共同特征：Agent 需要"看懂"视觉输入才能执行后续步骤——这正是纯文字模型无法完成的环节。

竞争格局：国产多模态 API 补位

2026 年上半年，DeepSeek 在多模态能力上一直是其与 GPT-4o、Gemini 1.5 系列之间的明显差距。今年 4 月，DeepSeek 曾在 App 端灰度"识图模式"，但长期未开放 API，让需要集成视觉能力的开发者只能使用第三方服务绕道。

此次 V4-Flash-Vision-Exp 直接开放 API，且接近 Opus-4.8 的多模态 Agent 表现，使 DeepSeek 在"低成本 + 多模态 + Agent 友好"这一组合上具备了与头部产品竞争的筹码。V4-Flash 的定价（输入 1 元/百万 token）在同级多模态模型中仍属于最低档，这对预算敏感的 Agent 应用开发者来说是显著优势。

国内主流推理服务平台（包括阿里百炼、火山方舟等）已陆续同步了 DeepSeek V4 系列。对需要统一管理多个模型调用、控制成本的团队而言，通过支持标准 OpenAI SDK 格式的平台接入是更灵活的选择——例如七牛云 AI 大模型广场支持多款主流模型的统一 API 接入，无需为每家供应商维护单独的密钥和配置。

常见问题

Q：V4-Flash-Vision-Exp 是正式版还是实验版？ 当前以 -exp 后缀标注，属于实验性版本。DeepSeek 通常会在实验版经过一段时间验证后推出正式版，正式版 API 名称会去掉 -exp 后缀。实验版功能可用，但官方不保证 SLA，生产环境使用需评估稳定性。

Q：图片大小有没有限制？ 官方文档明确单张图片最多折算 384 tokens，但未明确像素上限。建议参照 API 文档中的图像理解指南，测试具体分辨率限制。

Q：Files API 上传的图片会保存多久？ DeepSeek 官方目前将 Files API 定位为"免费服务，用于节省请求带宽"，具体文件保留时长建议查阅官方 API 指南的 Files API 章节（该页面详细说明了保留策略）。

Q：V4-Flash-Vision-Exp 是否支持视频输入？ 当前版本仅支持图片输入（base64、URL、file_id 三种方式），视频输入功能未见官方说明。

Q：如何在 Agent 框架中接入多模态能力？ 由于 V4-Flash-Vision-Exp 兼容 OpenAI Chat Completions 格式，在 LangChain、AutoGen、LlamaIndex 等框架中，将模型名替换为 deepseek-v4-flash-vision-exp、base_url 指向 DeepSeek API 端点即可，消息格式无需修改。

小结

DeepSeek-V4-Flash-Vision-Exp 的上线填补了 DeepSeek 系列在 API 侧多模态能力的空白。对开发者来说，关键点有三：一是纯文字任务不退化，现有 Agent 流程迁移无感；二是多模态 Agent 能力已达到可用门槛（接近 Opus-4.8 水准）；三是计费与 V4-Flash 一致，成本估算不需要重新建模。Files API 的免费开放则给多轮 Agent 场景提供了图片复用的基础设施。

DeepSeek 自身表示这是实验性版本，后续会有正式版本推出。对团队来说，现在接入实验版做场景验证，是为正式版迁移最低成本的准备路径。

本文信息基于 2026 年 8 月 21 日 DeepSeek 官方公告，建议关注 DeepSeek API 文档以获取最新版本信息。

延伸阅读