2026年8月21日 —— 国内 AI 大模型领军企业 DeepSeek 今日宣布，全新多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp 正式上线 DeepSeek API 平台。这是 DeepSeek 首次向多模态领域迈出实质性一步，标志着其在纯文本大模型之外，正式开启了图文融合理解的新篇章。
实验性质模型，纯文本能力不缩水
据 DeepSeek 官方介绍，V4-Flash-Vision-Exp 是一个实验性质的模型，用户可通过在 API 请求中设置 model='deepseek-v4-flash-vision-exp' 即可访问。值得关注的是，该模型在纯文本能力方面并未因加入视觉模块而做出妥协——在 Agent、推理、世界知识等公开基准测试中，V4-Flash-Vision-Exp 与 DeepSeek-V4-Flash 正式版表现持平。
而在需要视觉理解的 Agent Benchmark 上，V4-Flash-Vision-Exp 相比纯文本版本实现了大幅跃升，官方称其多模态 Agent 能力已接近 Anthropic 的 Opus-4.8 水平。
多模态能力解锁更多 Agent 场景
DeepSeek 在发布中展示了多个实际应用案例，展现了 V4-Flash-Vision-Exp 在各类 Agent 框架内的多模态适配能力：
- 商业 PPT 生成：在 Agent 框架下，模型可根据详细提示词生成高端定制自驾游方案的完整 PPT，包含视觉风格把控与真实定价方案输出。
- 网站二次创作：模型能够对现有网站进行风格重构，经过长多轮交互后输出未来主义风格的开发者网站设计。
- 前端创意 Demo：支持生成带有特定视觉风格（如黏土怪物风格动态特效）的前端交互原型。
这些案例表明，DeepSeek 的多模态能力并非简单的"看图说话"，而是深度融入了 Agent 工作流，能够支撑复杂的多步骤创作任务。
API 接入与计费
在 API 层面，V4-Flash-Vision-Exp 保持了与 DeepSeek 现有生态的高度兼容：
- 调用格式：支持 Chat Completions、Messages（Anthropic 格式）、Responses 三种 API 格式调用，可无缝接入各类 Agent 工具。
- 图片输入方式：支持 base64 内联、外部 URL、Files API 三种图片传入方式，支持图文混合输入。
- 计费规则：图片会被转换为 token 后按 token 计费，单张图片最多占用 384 tokens，计费价格与 V4-Flash 模型一致。参考现有定价，V4-Flash 输入（缓存未命中）空闲时段为 1.5 元/百万 tokens，高峰时段为 3.0 元/百万 tokens；输出空闲时段 4.5 元/百万 tokens，高峰时段 9.0 元/百万 tokens。
此外，DeepSeek 同步上线了 Files API，该接口免费使用。用户可先将图片上传至平台，再通过 file_id 在请求中引用，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。
模型生态持续扩展
目前 DeepSeek API 平台提供两大主力模型：deepseek-v4-flash（已更新至 DeepSeek-V4-Flash-0731）和 deepseek-v4-pro（已更新至 DeepSeek-V4-Pro-0813），均支持 1M 上下文长度与最大 384K 输出长度，并具备思考模式、JSON Output、Tool Calls、对话前缀续写等丰富功能。此次多模态模型的加入，进一步扩展了 DeepSeek 的能力版图。
DeepSeek 表示，V4-Flash-Vision-Exp 目前仍处于实验阶段，团队将持续迭代优化多模态能力。对于开发者而言，这无疑是低成本探索多模态 Agent 应用的绝佳时机。