DeepSeek V4-Flash-Vision-Exp补上视觉能力，但与Opus 4.8的对比仍待验证

对于文本密集型应用，DeepSeek最明确的说法是“保持原有能力”，而不是宣称全面领先。Vision-Exp被定位为V4-Flash的视觉扩展，因此开发者无需为了获得图片输入，就放弃V4-Flash已经具备的推理和智能体行为。

这一区别对选型很重要：

• 纯文本应用： Vision-Exp更像是V4-Flash的扩展版本，而不是已经被独立证明能够替代高端模型的全新方案。
• 视觉智能体： 新增的图像理解能力才是测试它的主要理由。
• 生产部署： 官方分数应当作为参考，开发者还需要使用与实际应用相同的提示词、工具、数据和延迟目标进行专项评测。

API如何调用，支持哪些图片输入方式

DeepSeek已通过API平台提供Vision-Exp，支持Chat Completions、Messages和Responses，并允许图文混合输入。

图片有三种传入方式：

• 使用Base64数据URL直接嵌入；
• 提供公开可访问的HTTP(S)图片URL；
• 先通过Files API上传，再使用图片对应的file_id。

文档列出的支持格式包括JPEG、PNG、GIF和WebP。 Responses API则通过input_image内容部分接收图片，可以填写图片URL、Base64数据URL或已上传文件的引用。

价格：每张图片最多按384个输入token计费

图片输入会被转换为可计费token。DeepSeek表示，单张图片计费时最多占用384个输入token，并沿用V4-Flash的价格结构。

与此次发布相关的V4-Flash公开费率为：

• 未命中缓存的输入： 非高峰期每百万token 0.22美元，高峰期0.44美元；
• 命中缓存的输入： 非高峰期每百万token 0.007美元，高峰期0.014美元；
• 输出： 非高峰期每百万token 0.66美元，高峰期1.32美元。

384 token的上限让单张图片带来的费用相对可预测。不过，它只限制图片部分，不包括随图片发送的文字、工具调用以及模型生成的输出。因此，一次完整的智能体交互的总token消耗，仍可能明显高于图片本身。

Harness 0.1.1与Files API为何重要

DeepSeek在发布模型的同时推出Harness 0.1.1，并提供对Vision-Exp的开箱即用支持。 对于正在开发工具调用型智能体的团队来说，这比单独测试一个图片问答接口更有实际意义，因为Vision-Exp本身就是为视觉与工具协作的工作流设计的。

此次发布还带来了免费的Files API。开发者可以先上传一张图片，之后在请求中通过file_id重复引用，而不必每次重新发送同一份图片数据。DeepSeek文档显示，文件引用采用file-api-...形式。

这种机制适合需要在多轮对话中反复查看同一张截图、文档页面或视觉素材的场景。需要注意的是，Files API本身免费，并不意味着模型推理和token使用不收费。

对AI竞争意味着什么

Vision-Exp显示，模型竞争正在从单纯比较参数规模或单项能力，转向比较完整的开发者产品：多模态支持、API兼容性、价格、文件复用和智能体工具链。DeepSeek以V4-Flash公开费率提供Flash系列的视觉扩展，而Anthropic的Opus 4.8则成为其公开报告中的高端对比对象。

不过，它目前仍应被视为一个中端、实验性的产品发布，而不是对旗舰模型地位的明确宣告。“Flash”和“Exp”这两个产品标识，都提示开发者不要仅凭一张基准测试表就做出生产决策。

它最终能否产生更大影响，取决于开发者在真实场景中是否认为它足够稳定，尤其是在基于截图的编程、文档分析、界面智能体和视觉工具调用等任务上。低token价格可能降低视觉推理的使用门槛，但可靠性、延迟、错误恢复和长期运行表现同样重要。

更稳妥的结论是：DeepSeek已经通过现有API生态，以较低成本开放了视觉推理能力；其早期基准结果显示，它在部分多模态测试中对Anthropic构成了有分量的挑战。但Vision-Exp究竟会成为可持续的替代方案，还是停留在引人关注的实验性版本，仍要等待独立评测、真实业务表现和持续的开发者采用来回答。