8月21日，DeepSeek给V4-Flash补上了"眼睛"：多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp上线并开放API，但仍是实验版本，用户需要在调用时手动指定模型名称（deepseek-v4-flash-vision-exp）才能访问。官方本次没有提及网页端和App的开放安排。
新模型可以读取截图中的文字、理解图表和页面布局，也能把图片与文字指令放在同一次任务中处理。这意味着智能体不必再让人"用文字描述图片"。对需要查看网页、分析界面、整理图文资料的Agent来说，这是一次能力补齐。
与Opus 4.8互有胜负
DeepSeek公布的对比数据显示，V4-Flash-Vision-Exp在多个Agent benchmark上与Anthropic的Claude Opus 4.8互有胜负：
- 领先项：DeepSWE（59.3 vs 58.0）、Agents' Last Exam（27.3 vs 25.7）、ZeroBench（35.0 vs 34.0）
- 追平项：Terminal Bench 2.1（83.9 vs 85.0）、Toolathlon-Verified（75.9 vs 76.2）、Chartography（64.3 vs 65.0）
- 落后项：NL2Repo（57.7 vs 69.7）、DSBench-Hard（63.6 vs 71.7），差距在8-12分
与自家文本版DeepSeek V4-Flash-0731对比，视觉版在纯文本任务上基本持平，但在需要看图的多模态测试上大幅领先：ApexBench从26.2涨到36.5，Agents' Last Exam从25.2涨到27.3。视觉能力的加入并没有拖累原有的文本表现，这是这次实验版最关键的信号。
视觉不是用来"看图说话"
官方放出的三个演示都不是识图问答这种基础任务：一个是给高净值客户做西藏自驾游PPT，要求野性、粗粝、有实拍质感；一个是按黑蓝深海、玻璃UI、ASCII像素等视觉要素重构DeepSeek Harness官网；还有一个是做带黏土怪物动效的网页Demo。
三个案例的共同点是：模型要先看懂图片、页面结构和设计意图，再调用工具产出PPT或代码。DeepSeek想展示的不是"能看图"，而是视觉能力嵌进完整的Agent工作流。
API与计费
API支持三种主流调用格式（Chat Completions、Messages、Responses），图片可以通过链接、Base64或先上传再引用的方式传入。图片会被转换成token计费，一张图最多折算384 tokens，与文字输入统一定价，整体价格与文本版V4-Flash保持一致。
同时上线的还有Files API：用户可以先把图片上传到平台，之后在多次请求中通过file_id复用，避免反复上传。这个接口本身不收费，但模型每次处理图片产生的token仍会正常计费。对需要重复分析同一批截图、图表的工作流来说，这个功能主要省的是带宽，不是推理成本。（易句）
（本文由AI翻译，网易编辑负责校对）
