大家好，我是晚安code。
之前还在吐槽：DeepSeek 网页端那个"识图模式"，连梁文锋都能认成张一鸣。结果 8 月 21 号，DeepSeek 多模态视觉理解模型 V4-Flash-Vision-Exp 直接上线了 API 平台——多模态 Agent 能力逼近 Opus-4.8，价格却按文本价算，一张图最高 0.001 元。这篇我把能力、benchmark、定价、调用方式一次讲清楚，看到最后你会知道它到底适不适合你。先收藏，慢慢看。
一、DeepSeek 多模态视觉理解模型到底发了什么
DeepSeek 这波不是小迭代，是 V4 系列第一次真正长出眼睛。
2026 年 8 月 21 日，DeepSeek 在官方 API 平台上线了 deepseek-v4-flash-vision-exp（来源：DeepSeek 官方 API 文档）。名字里的 Exp 是 experimental，官方明确说了，这是实验性质模型，不建议直接上生产。
多模态视觉理解模型：能同时接收文字和图片输入、并基于两者做推理的大模型。你可以理解为「AI 的眼睛」——以前只会看字，现在能看图。
这款模型的能力构成很有意思：纯文本能力（Agent、推理、世界知识）和 V4-Flash 正式版基本持平，没有因为加了视觉而降级；但一旦任务需要"看懂图片"，成绩直接起飞，官方口径是多模态 Agent 能力已接近 Claude Opus-4.8。上下文窗口 1M token，最大输出 384K，支持 JSON Output、Tool Calls，还兼容 Anthropic 的 API 格式。
说回我吐槽那事。6 月网页端先上过一版"识图模式"，媒体实测发现它本质是 OCR，人脸、场景全翻车。这次的 V4-Flash-Vision-Exp 是真正的视觉理解，两层是两码事——所以官方把老识图模式和技术报告连夜下线重做，也算给这次留了个干净的起跑线。
OCR（光学字符识别）：从图片里"读字"而不是"看图"的技术。你可以理解为「扫描仪的眼睛」，只认文字，不认画面。
二、能不能打？一张对比表看懂「Agent 逼近 Opus-4.8」
"逼近 Opus-4.8"是官方口径，参考意义大于绝对值——这份分数是 DeepSeek 自家 Harness 框架测的，还没经过第三方独立验证。
我把官方公开的部分 benchmark 整理成表（2026-08 官方数据，V4-Flash 为 0731 版本）：
| 基准 | V4-Flash-Vision-Exp | V4-Flash-0731 | Opus-4.8 |
|---|---|---|---|
| Terminal Bench 2.1 | 83.9 | 82.7 | 85.0 |
| ApexBench (Pass@1) | 36.5 | 26.2 | 39.4 |
| Agents' Last Exam | 27.3 | 25.2 | 25.7 |
| Chartography | 64.3 | — | 65.0 |
| ZeroBench (Pass@5) | 35.0 | — | 34.0 |
看这张表，重点不是绝对值，是三个信号：几乎所有项都比 V4-Flash 纯文本版高，说明视觉能力真补上了；Agents' Last Exam、ZeroBench 两项反超 Opus-4.8，Chartography 只差 0.7；差距最大的是代码类任务，离旗舰还有一段路。我盯着 ApexBench 看了半天——从 26.2 跳到 36.5，这 10 分是实打实的质变，"看截图做 Agent 任务"这条路算是走通了。
三、一张图只要 0.001 元：DeepSeek 图片理解价格怎么算
视觉模型最怕"视觉溢价"——各家一沾图片就按像素加价。DeepSeek 这次直接把价格焊死在文本价上。
计费逻辑一句话：图片不按"张"收钱，而是按尺寸折算成 token，和文本一起计价，单张图片最多算 384 个 token。什么概念？GPT 和 Claude 处理同等分辨率的图，通常要吃掉 800～1100 token，DeepSeek 不到一半。
价格和 V4-Flash 完全一致（元/百万 token，2026-08 官方定价）：
| 计费项 | 空闲时段 | 高峰时段 |
|---|---|---|
| 输入（缓存命中） | 0.05 | 0.10 |
| 输入（缓存未命中） | 1.5 | 3.0 |
| 输出 | 4.5 | 9.0 |
高峰时段是北京时间 9:00–12:00、14:00–18:00，其余减半。我顺手算了笔账：一张图按 384 token 封顶，高峰输入价 3 元/百万 token，就是 384 × 3 ÷ 1000000 ≈ 0.0012 元。跑几百张图也就几毛钱，比你不小心调错接口烧掉的那点钱还少。
这感觉就像奶茶店说"加珍珠不加价"——加料不加钱，还管够。
四、怎么调用：三种接口、三种传图、Files API 免费
传图这步，DeepSeek 一次给齐了三种姿势，从"临时试一张"到"批量复用"全覆盖。
接口上兼容三条路：Chat Completions（OpenAI 格式，base URL 用 https://api.deepseek.com）、Messages（Anthropic 兼容格式）、Responses。传图也三种：base64 内联、外部 URL、Files API。最值得说的是 Files API。
Files API：DeepSeek 同步上线的免费文件接口，先上传图片拿到 file_id，后续多个请求直接引用，同一张图不用反复传。你可以理解为「图片的一次性门票，买一次反复用」。每用户 25GiB 存储、上限 1 万个文件。
对跑多轮 Agent 工作流的人来说，这个设计太贴心：Agent 第一轮读到一张截图，后面每轮都要参考它，有了 file_id 就不用每次把图再塞一遍。
import base64, requests # deepseek-v4-flash-vision-exp 调用示例（2026-08）
img = base64.b64encode(open("bug.png", "rb").read()).decode()
resp = requests.post(
"https://api.deepseek.com/chat/completions",
headers={
"Authorization": "Bearer <YOUR_KEY>"},
json={
"model": "deepseek-v4-flash-vision-exp",
"messages": [{
"role": "user",
"content": [
{
"type": "text", "text": "这张截图哪里报错了？"},
{
"type": "image_url",
"image_url": {
"url": f"data:image/png;base64,{img}"}},
],
}],
},
)
print(resp.json()["choices"][0]["message"]["content"])
可能有人会问：图片是按像素、还是按张收钱？
都不是。图片按尺寸折算成 token 计费，单张最多 384 个 token，和文本同价，没有单独的"视觉费"。
五、实测能干什么：报错截图、发票、设计稿转页面
看截图写代码，是这模型目前最省事的用法——把报错截图直接甩给它，比贴一坨日志靠谱。
这些不是我瞎编的，是媒体公开实测过的场景：有人把 GitHub 页面的报错截图丢给它，它精准定位到 github-dashboard.html 第 682 行的 TypeError，还完成了从定位到修复的闭环；有人拿发票截图给它，它把类型、号码、日期拆成结构化字段；还有人拿设计稿截图，26 秒出了个配色布局几乎一致的响应式页面，连 hover 动效都自己加上。网易的作者甚至用它做了个《牛来》小游戏。
不过丑话说在前头：它毕竟带 Exp 后缀，官方自己都没承诺什么时候转正式版、会不会开源。以 2026 年 8 月为准，这模型适合拿来跑 Demo、搭视觉 Agent 原型、验证"看图干活"这条路，不适合把生产流量直接压上去——Exp 就是明晃晃的免责声明。
我是晚安code，持续分享编程干货。觉得有用的话记得点赞收藏和关注~也欢迎在评论区聊聊：你会拿 DeepSeek 多模态视觉理解模型来识什么图？报错截图、发票还是设计稿？评论区聊聊你的用法。
