DeepSeek V4-Flash-Vision-Exp 登場：每張圖片最多 384 Tokens，Vision 價格跟 Flash 看齊

DeepSeek 於 2026 年 8 月 21 日推出實驗性多模態模型 deepseek-v4-flash-vision-exp，正式為 V4-Flash API 加入圖片理解能力。開發者而家可以將文字同圖片放入同一個提示，讓 AI Agent 分析截圖、網頁介面、圖表、遊戲畫面及其他視覺狀態。 114

今次更新最吸引人的地方，未必係跑分，而係收費方式：每張圖片最多會轉換成 384 個輸入 tokens，並按 V4-Flash 的一般輸入價格計算，沒有另外收取視覺模型附加費。DeepSeek 又聲稱，模型在視覺 Agent 表現上已經接近 Claude Opus 4.8；不過，相關結果主要來自公司自行公布的測試，暫時未有獨立測試證實。 319

V4-Flash-Vision-Exp 帶來甚麼？

模型要用的 API identifier 是 deepseek-v4-flash-vision-exp。它以 V4-Flash 原有的文字生成、推理及工具使用能力為基礎，再加入圖像輸入，並支援 Chat Completions、Messages 及 Responses 三種 API 介面。 412

換句話講，佢唔只係一個「幫你描述圖片」的功能。Agent 可以將截圖放入一個循環流程：先睇目前畫面，決定下一步要做甚麼，呼叫工具執行操作，再分析新畫面，繼續完成任務。

目前公開示範包括由截圖生成可執行程式碼，以及將視覺輸入應用於製作遊戲等工作流程。 510

三種圖片輸入方式

開發者可以用以下三種方法傳送圖片：

• 內嵌 Base64： 將本地圖片編碼成 data URL，直接放入請求。
• 外部 URL： 傳入一條 API 可以讀取的公開 HTTP(S) 圖片連結。
• Files API： 先上載圖片，再於後續請求使用 API 回傳的 file_id 引用圖片。 6714

Files API 免費使用。如果應用程式需要反覆分析同一張截圖、同一個介面狀態或者固定素材，先上載一次、之後重用 file_id 會較實際，亦可以避免每次請求都重新上載相同圖片，減少傳輸量。 112

每張圖片最多 384 tokens，收費跟 Flash 一樣

DeepSeek 表示，每張圖片在計費時最多會被轉換成 384 個輸入 tokens，而相關 tokens 會按 V4-Flash 的正常輸入價格收費。換句話講，圖片理解不會自動跳入另一個更貴的 Vision 價格層。 3614

其中一份公開價格表列出的高峰時段價格為：每百萬個未快取輸入 tokens 0.44 美元、每百萬個輸出 tokens 1.32 美元。該模型亦列出 100 萬 tokens 上下文窗口，以及最多 384,000 個輸出 tokens。 1

有報道指，384-token 上限少於部分 GPT 及 Claude 對同類圖片的 token 用量一半。不過，現有資料未能確認比較時所用的完整模型版本、圖片解像度及計費假設是否一致，因此這只能視為方向性參考，未可以當成完全公平的跨平台基準測試。 327

對開發者來講，較實際的重點係：一個需要頻繁檢查大量截圖的視覺 Agent，可以用相對可預測的成本反覆「睇畫面」，未必要每次都動用高價多模態模型。

接近 Opus 4.8？目前仍然係廠商聲稱

DeepSeek 表示，新模型在加入視覺輸入之後，仍然保留 V4-Flash 的文字能力，包括推理、世界知識及 Agent 功能。 626

公司亦公布，模型在多模態 Agent 基準測試上有大幅進步，表現接近 Claude Opus 4.8。部分公開比較確實顯示它在指定任務上貼近 Opus 4.8，但不同基準測試之間亦存在差異。 4192123

所以，「接近 Opus 4.8」現階段應該理解為 DeepSeek 根據自己評測結果提出的說法，而唔係兩個模型已經在所有實際視覺 Agent 工作中等價。要判斷模型在真實環境的可靠性、視覺準確度及工具操作能力，仍然需要獨立測試，尤其要用各種實際截圖和長時間 Agent 流程驗證。

整合時要留意：輸出預算可能被 thinking 食清

如果要將模型放入生產環境的視覺 Agent 循環，開發者應該先測試 reasoning 或 thinking 設定。一項實測報告指出，thinking tokens 有機會耗盡整個 completion budget，結果模型沒有留下任何可見答案。報告建議，相關視覺任務可以關閉 thinking，或者提高 max_tokens，確保模型有足夠空間輸出回應。 27

這是整合層面的注意事項，唔代表模型整體能力一定有問題。如果開啟推理，應用程式就要預留足夠輸出額度，同時容納內部推理及最後給使用者看的答案。正式部署前，亦應以 DeepSeek 最新 API 文件確認目前的參數名稱及實際行為，唔好單靠第三方實測設定照搬。

點解要將 Vision 放入 Flash？

現有資料未有提供 DeepSeek 對整體策略的正式解釋，但產品設計已經指向一個清晰用途：將視覺感知的成本壓低，令 Agent 可以更頻密地觀察和行動。

對於螢幕操作 Agent、截圖轉程式碼工具、遊戲製作流程，以及需要不斷讀取儀表板或應用程式狀態的系統來講，AI 唔係睇一次圖就完事，而係要反覆檢查畫面。如果每次觀察都要支付高昂的多模態模型費用，整個循環就容易變得唔划算。

以實驗性 Flash 版本推出 Vision，亦讓開發者可以在原有低成本 Agent、工具呼叫及 API 工作流程上加上圖片輸入，而唔需要將整個應用搬到另一個高價多模態平台。 356

總結而言，DeepSeek V4-Flash-Vision-Exp 的賣點相當直接：每張圖片最多 384 個輸入 tokens、按 Flash 價格收費，並提供三種圖片傳入方式及免費 Files API。至於它是否真的能在實際視覺 Agent 工作中追上 Opus 4.8，仍然要等更多獨立測試。對有意試用的團隊，較穩陣的做法係先用真實截圖進行小規模測試，預留足夠輸出預算，並自行檢查答案質素及工具操作結果。