DeepSeek V4 Flash Vision Exp：多模态能力、价格与“接近 Claude Opus 4.8”究竟意味着什么

这使它更适合 Agent 场景，而不只是传统的“看图问答”。例如，Agent 可以先读取一张网页截图、扫描文档或数据图表，再决定下一步是否调用搜索、代码执行或其他工具。DeepSeek 还提供了 Codex 接入方式，并将 Vision Exp 列为支持图片输入的模型选项。

DeepSeek 的发布说明称，DeepSeek Harness 0.1.1 已加入该模型的开箱即用支持，为 Agent 工作流提供了另一条接入路径。不过，DeepSeek 关于 GitHub Copilot 的文档目前明确列出的模型仍是 V4 Pro 和 V4 Flash；其中的图片处理由另一个已安装的 Copilot 模型代理完成，因此现有资料并不能证明 Vision Exp 已直接出现在该模型选择器中。

性能：亮眼的官方说法，仍有限的外部验证

DeepSeek 的核心性能宣传可以概括为两点：文本能力保持 V4-Flash 水平；在依赖视觉输入的多模态 Agent 基准测试中大幅提升，并接近 Claude Opus 4.8。

部分报道转述了具体分数，包括 Chartography 64.3、ApexBench Pass@1 36.5、Agents’ Last Exam 27.3 和 ZeroBench Pass@5 35.0。这些数字主要来自对 DeepSeek 发布信息的二次报道，而不是一份包含统一提示词、工具环境和可复现实验细节的跨厂商评测报告。

这里的区别很重要。“接近 Opus 4.8”并不等于全面击败 Claude，也不等于在每类任务上持平，更不代表两者在生产环境中拥有相同的稳定性。现有资料没有提供一项中立测试，同时比较 DeepSeek 与 Anthropic 在相同提示词、工具环境、延迟、失败率和成本下的表现。

因此，目前最稳妥的结论是：DeepSeek 确实发布了一款有文档支持、能够处理图片的 API 模型；其官方数据表明，相比纯文本版 V4-Flash，它在需要视觉输入的 Agent 任务上可能有明显进步。但它相对于 Claude、OpenAI、Google 或其他中国 AI 模型的准确排名，尚未得到独立证实。

价格：标价明显低于 Opus，但别只看 token 单价

现有模型目录显示，Vision Exp 的价格为每百万输入 token 0.22 美元、每百万输出 token 0.66 美元，上下文长度为 100 万 token。DeepSeek 官方价格文档确认，API 按每百万 token 计费，并将 deepseek-v4-flash-vision-exp 列入模型价格表。

图片也会被转换为 token 并计入 API 费用。援引 DeepSeek 发布说明的报道表示，单张图片最多可能占用 384 个 token，且计费结构沿用 V4-Flash。因此，视觉工作流的实际成本不仅取决于文本输入和输出，还取决于图片数量与尺寸、上下文长度、输出长度以及是否反复发送相同内容。

Anthropic 公布的 Claude Opus 4.8 标准价格为每百万基础输入 token 5 美元、每百万输出 token 25 美元；缓存和快速模式另有价格。

只看公开标价，DeepSeek 的确便宜得多。这是值得测试它的重要理由，但还不能直接等同于更低的完整使用成本。如果一个更便宜的模型需要更多重试，工具调用错误更多，或需要额外的图片预处理，那么整个工作流的成本优势可能会缩小。

DeepSeek Vision Exp 与 Claude Opus 4.8 怎么选

两者虽然都面向 Agent 和多模态任务，但定位并不相同：

• DeepSeek V4 Flash Vision Exp：实验性、API 优先的多模态模型，重点是以 Flash 系列的成本将视觉理解加入图片加文本 Agent 工作流。它支持 DeepSeek 文档列出的 API 格式，公开 token 价格也明显低于 Opus。
• Claude Opus 4.8：Anthropic 的旗舰模型，提供可调节的工作强度、快速模式以及更成熟的产品和平台配套。其标准价格为每百万输入 token 5 美元、每百万输出 token 25 美元。

DeepSeek 的战略意图很清晰：把视觉能力带入更经济的 Flash 模型，并宣称其在多模态 Agent 任务上接近高价前沿模型。基于现有证据，Claude 的优势并不能简单概括为“所有基准都更强”，但它在产品成熟度、工具生态和长期生产定位方面有更充分的公开支撑。

实际选择应按任务拆分。对于截图读取、图表提取或批量文档初筛，Vision Exp 可能以更低 token 成本提供足够的质量；而对于高风险的自主工作流，更应关注输出一致性、工具调用准确率、拒答行为、可观测性、技术支持和错误恢复能力。

这次发布对模型市场意味着什么

这次更新的重要性，不只是“文本模型终于能看图”，而是视觉理解正在成为 Agent 工作的一部分。编程 Agent 可能需要读取报错截图，浏览器 Agent 需要理解网页界面，企业自动化系统则可能要同时处理文档、图表和结构化工具调用。

DeepSeek V4 家族此前就强调百万 token 长上下文和 Agent 工作负载，其文档将 Flash 定位为家族中更快、更经济的选项。Vision Exp 延续了这一思路：它不是单独推出一个只负责图像问答的模型，而是把视觉输入直接带入 V4-Flash 的 Agent 方向。

不过，现有材料还不足以宣称 DeepSeek 已经领先 Anthropic、OpenAI、Google 或其他中国 AI 实验室。原因很简单：目前没有可供核验的、真正“同题同环境”的独立跨厂商测试，而实验性 API 版本也不能与经过长期验证的旗舰产品画等号。

开发者值得测试吗？

值得，但应当进行受控测试，而不是直接迁移生产流量。

一套有参考价值的试用方案，可以让 Vision Exp、Claude Opus 4.8 和当前生产模型在完全相同的图片加工具任务上接受测试，并记录以下指标：

1. 视觉理解准确率，尤其是小字号文字、表格和图表的识别能力。
2. 工具选择错误和工具参数错误。
3. 不重试、不需要人工修正时的任务完成率。
4. 延迟和输出长度。
5. 文本输入、文本输出及图片 token 的综合成本。
6. 面对模糊、损坏或具有误导性的图片时的失败方式。
7. 多次运行和不同提示词变化下的稳定性。

在这些数据积累之前，对 DeepSeek V4 Flash Vision Exp 最合适的评价是：它是一款可信、价格有吸引力、开发者接口较完整的新多模态 API 实验，值得立即验证；但“多模态 Agent 能力接近 Claude Opus 4.8”目前仍应被视为待测试的官方主张，而不是已经独立确立的事实。