DeepSeek 於 2026 年 8 月 21 日推出 deepseek-v4-flash-vision-exp，把圖片理解能力加入 V4-Flash API。這款實驗性模型能接收文字與圖片混合提示，讓開發者以相對低的成本打造可分析截圖、使用者介面、圖表及其他視覺狀態的 Agent。 114

這次發布最受關注的並不只是「讓模型看得見」，而是圖片輸入的計價方式：每張圖片最多折算 384 個輸入 Token，並按照 V4-Flash 的一般輸入價格計費，不另收視覺處理附加費。DeepSeek 也表示，模型的視覺 Agent 表現已接近 Claude Opus 4.8；不過這項比較來自公司公布的測試，目前尚未獲得獨立驗證。 319

V4-Flash-Vision-Exp 帶來什麼

模型在 API 中的識別名稱是 deepseek-v4-flash-vision-exp。它在保留 V4-Flash 文字生成、推理與工具使用基礎的同時，加入圖像與文字混合輸入，並可透過 Chat Completions、Messages 及 Responses 介面呼叫。 412

因此，它不只是用來「描述一張圖片」的視覺模型。Agent 可以把截圖放進一個持續運作的工作流程：先檢查目前畫面，判斷下一步，再呼叫工具，最後重新分析操作後的畫面。公開示範包括根據截圖產生可執行程式碼，以及在遊戲製作流程中使用視覺輸入。 510

三種圖片輸入方式

開發者可選擇以下三種方式傳送圖片：

• 內嵌 Base64： 將本機圖片編碼後，以 data URL 直接放入請求。
• 外部 URL： 提供 API 可存取的公開 HTTP(S) 圖片網址。
• Files API： 先上傳圖片，再於後續請求中使用回傳的 file_id 引用。 6714

Files API 免費使用，對需要反覆檢查同一張截圖或同一組視覺資料的應用尤其實用。圖片只需上傳一次，之後便能以檔案參照重複呼叫，避免每次請求重新傳送相同的圖片資料，也可降低循環式 Agent 的傳輸負擔。 112

每張圖片最多 384 個 Token，價格跟隨 V4-Flash

DeepSeek 表示，每張圖片在計費時最多會被轉換為 384 個輸入 Token，並按照 V4-Flash 的正常輸入費率收費，因此圖片理解不會被放進另一個更昂貴的視覺模型價格層級。 3614

一份公開價格表列出的尖峰價格為：每百萬個未快取輸入 Token 0.44 美元，每百萬個輸出 Token 1.32 美元。該模型的上下文視窗為 100 萬 Token，最大輸出則為 384,000 Token。 1

部分報導形容，384 Token 的圖片上限不到部分 GPT 與 Claude 比較對象圖片 Token 用量的一半。不過，現有資料未能證明比較採用完全相同的模型版本、圖片解析度與計費條件，因此這只能視為方向性的效率比較，不能直接當成標準化基準測試。 327

比較明確的實際意義是：需要頻繁讀取截圖的視覺 Agent，可以在 Flash 輸入費率下，以較容易預估的成本觀察畫面，而不必每一次狀態更新都使用高價的多模態模型。

表現亮眼，但目前仍是供應商數據

DeepSeek 表示，新模型在加入視覺輸入後，仍保留 V4-Flash 的文字能力，包括推理、世界知識與 Agent 功能。 626

公司同時公布，多模態 Agent 基準測試的表現大幅提升，已接近 Claude Opus 4.8。部分公開比較確實顯示，模型在特定任務上接近 Opus 4.8；但不同基準之間仍可看到表現差異。 4192123

這裡需要分清楚兩件事：「接近 Opus 4.8」目前代表的是 DeepSeek 自行評估所得的主張，並不等於兩款模型在所有真實視覺 Agent 工作負載中已經具備相同能力。模型的可靠性、視覺辨識準確度，以及工具呼叫表現，仍需要第三方在不同情境下測試。

整合時的關鍵提醒：預留足夠輸出額度

開發者在把模型放進正式的視覺循環前，應先測試推理設定。有實測指出，thinking 模式可能消耗整個 completion 預算，最後沒有留下任何可見答案；相關報導建議在適合的視覺任務中關閉 thinking，或提高 max_tokens，讓模型有足夠空間回傳結果。 27

這是整合層面的注意事項，不代表模型整體能力不足。若啟用推理，應為內部推理與面向使用者的最終回答預留足夠輸出容量；同時也應在正式依賴特定參數前，確認 DeepSeek 最新 API 文件中的設定名稱與行為。

為什麼把視覺能力放在 Flash 上很重要

現有資料沒有顯示 DeepSeek 曾提出正式的產品策略說明，但這項設計指向一個清楚的使用情境：讓視覺感知便宜到足以支援反覆執行的 Agent 行動。

對螢幕操作 Agent 來說，截圖、遊戲畫面、儀表板與應用程式狀態只有在模型能夠經常檢查時才真正有用。如果每次觀察都產生高昂的多模態費用，Agent 循環便很難擴大部署。以實驗性 Flash 版本推出視覺能力，也讓開發者能在原有的低成本 Agent 與工具呼叫流程上加上圖片輸入，而不必整套遷移到另一個高價多模態服務。

對正在打造螢幕驅動 Agent、截圖轉程式碼工具，或需要持續視覺回饋的應用團隊而言，這是本次發布最值得注意的地方。

整體來看，DeepSeek V4-Flash-Vision-Exp 提供了相當低的圖片 Token 上限，以及 Base64、URL 和 Files API 等彈性輸入方式；至於其基準測試領先幅度與正式環境表現，仍有待驗證。較穩妥的做法，是先使用真實截圖進行受控測試，明確設定輸出額度，並以獨立的品質檢查確認結果。

DeepSeek 於 2026 年 8 月 21 日推出 deepseek-v4-flash-vision-exp，把圖片理解能力加入 V4-Flash API。這款實驗性模型能接收文字與圖片混合提示，讓開發者以相對低的成本打造可分析截圖、使用者介面、圖表及其他視覺狀態的 Agent。 114

這次發布最受關注的並不只是「讓模型看得見」，而是圖片輸入的計價方式：每張圖片最多折算 384 個輸入 Token，並按照 V4-Flash 的一般輸入價格計費，不另收視覺處理附加費。DeepSeek 也表示，模型的視覺 Agent 表現已接近 Claude Opus 4.8；不過這項比較來自公司公布的測試，目前尚未獲得獨立驗證。 319

V4-Flash-Vision-Exp 帶來什麼

模型在 API 中的識別名稱是 deepseek-v4-flash-vision-exp。它在保留 V4-Flash 文字生成、推理與工具使用基礎的同時，加入圖像與文字混合輸入，並可透過 Chat Completions、Messages 及 Responses 介面呼叫。 412

因此，它不只是用來「描述一張圖片」的視覺模型。Agent 可以把截圖放進一個持續運作的工作流程：先檢查目前畫面，判斷下一步，再呼叫工具，最後重新分析操作後的畫面。公開示範包括根據截圖產生可執行程式碼，以及在遊戲製作流程中使用視覺輸入。 510

三種圖片輸入方式

開發者可選擇以下三種方式傳送圖片：

• 內嵌 Base64： 將本機圖片編碼後，以 data URL 直接放入請求。
• 外部 URL： 提供 API 可存取的公開 HTTP(S) 圖片網址。
• Files API： 先上傳圖片，再於後續請求中使用回傳的 file_id 引用。 6714

Files API 免費使用，對需要反覆檢查同一張截圖或同一組視覺資料的應用尤其實用。圖片只需上傳一次，之後便能以檔案參照重複呼叫，避免每次請求重新傳送相同的圖片資料，也可降低循環式 Agent 的傳輸負擔。 112

每張圖片最多 384 個 Token，價格跟隨 V4-Flash

DeepSeek 表示，每張圖片在計費時最多會被轉換為 384 個輸入 Token，並按照 V4-Flash 的正常輸入費率收費，因此圖片理解不會被放進另一個更昂貴的視覺模型價格層級。 3614

一份公開價格表列出的尖峰價格為：每百萬個未快取輸入 Token 0.44 美元，每百萬個輸出 Token 1.32 美元。該模型的上下文視窗為 100 萬 Token，最大輸出則為 384,000 Token。 1

部分報導形容，384 Token 的圖片上限不到部分 GPT 與 Claude 比較對象圖片 Token 用量的一半。不過，現有資料未能證明比較採用完全相同的模型版本、圖片解析度與計費條件，因此這只能視為方向性的效率比較，不能直接當成標準化基準測試。 327

比較明確的實際意義是：需要頻繁讀取截圖的視覺 Agent，可以在 Flash 輸入費率下，以較容易預估的成本觀察畫面，而不必每一次狀態更新都使用高價的多模態模型。

表現亮眼，但目前仍是供應商數據

DeepSeek 表示，新模型在加入視覺輸入後，仍保留 V4-Flash 的文字能力，包括推理、世界知識與 Agent 功能。 626

公司同時公布，多模態 Agent 基準測試的表現大幅提升，已接近 Claude Opus 4.8。部分公開比較確實顯示，模型在特定任務上接近 Opus 4.8；但不同基準之間仍可看到表現差異。 4192123

這裡需要分清楚兩件事：「接近 Opus 4.8」目前代表的是 DeepSeek 自行評估所得的主張，並不等於兩款模型在所有真實視覺 Agent 工作負載中已經具備相同能力。模型的可靠性、視覺辨識準確度，以及工具呼叫表現，仍需要第三方在不同情境下測試。

整合時的關鍵提醒：預留足夠輸出額度

開發者在把模型放進正式的視覺循環前，應先測試推理設定。有實測指出，thinking 模式可能消耗整個 completion 預算，最後沒有留下任何可見答案；相關報導建議在適合的視覺任務中關閉 thinking，或提高 max_tokens，讓模型有足夠空間回傳結果。 27

這是整合層面的注意事項，不代表模型整體能力不足。若啟用推理，應為內部推理與面向使用者的最終回答預留足夠輸出容量；同時也應在正式依賴特定參數前，確認 DeepSeek 最新 API 文件中的設定名稱與行為。

為什麼把視覺能力放在 Flash 上很重要

現有資料沒有顯示 DeepSeek 曾提出正式的產品策略說明，但這項設計指向一個清楚的使用情境：讓視覺感知便宜到足以支援反覆執行的 Agent 行動。

對螢幕操作 Agent 來說，截圖、遊戲畫面、儀表板與應用程式狀態只有在模型能夠經常檢查時才真正有用。如果每次觀察都產生高昂的多模態費用，Agent 循環便很難擴大部署。以實驗性 Flash 版本推出視覺能力，也讓開發者能在原有的低成本 Agent 與工具呼叫流程上加上圖片輸入，而不必整套遷移到另一個高價多模態服務。

對正在打造螢幕驅動 Agent、截圖轉程式碼工具，或需要持續視覺回饋的應用團隊而言，這是本次發布最值得注意的地方。

整體來看，DeepSeek V4-Flash-Vision-Exp 提供了相當低的圖片 Token 上限，以及 Base64、URL 和 Files API 等彈性輸入方式；至於其基準測試領先幅度與正式環境表現，仍有待驗證。較穩妥的做法，是先使用真實截圖進行受控測試，明確設定輸出額度，並以獨立的品質檢查確認結果。