DeepSeek V4-Flash-Vision-Exp上线：图像按384个Token计费，视觉能力进入Flash价位

DeepSeek在2026年8月21日上线实验性多模态模型deepseek-v4-flash-vision-exp，为V4-Flash API补上了图像理解能力。开发者现在可以把截图、网页界面、图表或游戏画面与文字一起交给模型，让Agent先“看见”当前状态，再决定是否调用工具或采取下一步行动。114

这次发布最受关注的并不是一个单独的图片描述功能，而是视觉能力的计费方式：DeepSeek称，每张图片最多折算384个输入Token，并按照V4-Flash的普通输入价格计费，不额外收取视觉模型溢价。314

V4-Flash-Vision-Exp带来了什么

该模型的API标识为deepseek-v4-flash-vision-exp。它在V4-Flash原有的文本生成、推理和工具调用基础上，加入了图文混合输入能力，并支持Chat Completions、Messages和Responses三种调用形式。412

因此，模型可以被放进更完整的视觉Agent循环中：读取当前界面截图，判断下一步操作，调用工具，再观察工具执行后的新画面。已有演示包括根据截图生成可执行代码，以及将视觉输入用于游戏制作等场景。510

三种图片传入方式

开发者可以选择以下方式提交图片：

• 内联Base64：将本地图片编码为数据URL，直接嵌入请求。
• 外部URL：传入API可以访问的公开HTTP(S)图片地址。
• Files API：先上传图片，再在后续请求中通过返回的file_id引用。6714

Files API免费使用。对于需要反复调用同一张截图、产品界面或参考图片的应用，先上传、后复用通常更实用，也能避免每次请求都重复上传相同的图片数据，减少带宽开销。112

每张图片最多384个Token，价格与Flash一致

DeepSeek表示，图片在计费时最多转换为384个输入Token，这些Token按照V4-Flash的输入价格计算，不会进入单独的视觉高级价位。3614

一份公开价格表显示，该视觉模型在高峰时段的价格为：每百万个未缓存输入Token 0.44美元，每百万个输出Token 1.32美元；同时列出的上下文窗口为100万Token，最大输出为38.4万个Token。1

部分报道将384个Token的上限与GPT、Claude的图像处理开销进行了比较，称其不到一些对比模型的一半。但现有材料没有证明这些比较使用了完全相同的模型版本、图片分辨率和计费口径，因此更适合作为方向性参考，而不是严格统一的横向基准。327

对开发者而言，更确定的意义在于成本可预测：如果一个视觉Agent需要频繁检查截图或界面状态，每次观察的图像输入都能按相对有限的Token量、以Flash价格计费，而不必为每一轮感知都切换到更昂贵的多模态模型。

“接近Claude Opus 4.8”仍是厂商测试结论

DeepSeek表示，V4-Flash-Vision-Exp保留了V4-Flash在文本任务中的能力，包括推理、世界知识和Agent功能，同时新增视觉输入。626

公司还称，新模型在多模态Agent基准测试上实现明显提升，表现接近Anthropic的Claude Opus 4.8。部分公开对比确实显示其在特定任务上接近Opus 4.8，但不同基准之间仍存在明显波动。4192123

这里需要区分两件事： “接近Opus 4.8”目前是对DeepSeek自有评测结果的概括，并不等于两款模型已经在所有真实视觉Agent任务中表现相当。后续仍需要独立测试来检验模型在视觉识别准确率、长期可靠性、工具调用和复杂界面操作方面的实际表现。

接入时要小心：thinking可能耗尽输出预算

开发者在把模型放进生产环境的视觉循环前，应重点测试推理设置。一份实测报告发现，开启thinking模式后，推理Token可能消耗完整的completion预算，最终没有留下可见回答。该报告建议针对相关视觉任务关闭thinking，或提高max_tokens，确保模型有足够空间返回结果。27

这属于接入层面的注意事项，并不能直接代表模型的整体能力。如果应用启用了推理，最好为内部推理和最终答复预留足够的输出额度；在不需要复杂推理的视觉任务中，也可以考虑使用非思考模式。具体参数名称和当前行为仍应以DeepSeek最新API文档为准。

为什么视觉能力要放在Flash模型上

现有证据没有显示DeepSeek给出正式的战略说明，但从产品设计看，核心方向相当明确：让视觉感知便宜到足以支持高频Agent操作。截图、仪表盘、网页界面和游戏画面，只有在模型能够持续观察而不会让每一轮循环成本过高时，才真正适合用于Agent工作流。356

将视觉能力作为实验性的Flash版本推出，也意味着开发者可以在原有的低成本模型、工具调用和API流程上增加图像输入，而不必把整套应用迁移到独立的高价多模态产品上。对于屏幕驱动型Agent、截图转代码工具，以及需要持续视觉反馈的应用，这种设计尤其值得关注。

总体来看，DeepSeek V4-Flash-Vision-Exp给出了一个很有吸引力的组合：单张图片最多384个输入Token、三种灵活的图片接入方式，以及与Flash一致的计费方式。与此同时，其基准领先程度和生产环境表现仍需验证。更稳妥的做法是使用真实截图进行小规模测试，同时明确设置输出预算，并通过独立质量检查评估视觉准确性和工具调用稳定性。