一句话看懂：Deepseek 发布了实验性多模态模型 V4-Flash-Vision-Exp，在视觉 Agent 基准测试中接近 Anthropic 的 Opus 4.8，且沿用 V4-Flash 定价，意味着低成本视觉 Agent 开发有了新选择。
事件核心：发生了什么
8 月 21 日，Deepseek 推出实验性模型 V4-Flash-Vision-Exp。该模型在 V4-Flash 文本能力基础上加入图像理解，支持 JPEG、PNG、GIF、WebP 格式，并能根据文件实际内容而非文件名识别格式。据 Deepseek 官方数据，在内部多模态 Agent 基准测试中，其得分接近 Opus 4.8，部分项目甚至反超。模型兼容 OpenAI Chat Completions、Responses API 和 Anthropic Messages 端点，并支持通过 Base64、公开 URL（上限 32 MiB）或新增的免费 Files API（上限 64 MiB）三种方式传图。单次请求最多可包含 600 张图片，单张图片处理后通常不超过 384 tokens，计费沿用 V4-Flash 价格体系。
为什么重要
这次发布的看点不在“多模态”本身，而在定位和成本。Deepseek 明确将模型指向视觉 Agent 工作流，即让模型既能“看图”又能调用工具完成任务，例如提取截图文字、分析图表或描述图像。在 Agent 场景中，图像 token 消耗往往是成本大头，V4-Flash-Vision-Exp 将单图 token 上限控制在 384，并保留低价文本模型的价格结构，直接降低了视觉 Agent 的推理成本。考虑到它在 Deepseek 自测中逼近 Opus 4.8，若其他第三方基准验证结果接近，该模型有望成为闭源高价模型之外的务实替代方案，尤其在批量处理图片类任务时更具成本优势。
对用户/开发者/创作者的影响
对开发者而言，最直接的利好是接入门槛不高：模型兼容 OpenAI 与 Anthropic 两套 API 格式，现有应用调整少量代码即可迁移；新增 Files API 支持先上传文件、后通过 ID 多次引用，适合多轮对话中重复分析同一张图片的场景。对创作者和内容团队，模型可从截图、PDF 页面、信息图等视觉材料中提取文字信息，并用于自动化归档或内容重组。需要留意的是，图片会先被压缩至约 800×800 像素再处理，若任务依赖细微视觉细节（如小字号文字或精细图表），需要验证实际效果；单请求超过 15 张图片时，单边像素上限从 8,192 降至 4,096，批量处理高分辨率图片时要提前规划请求结构。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，该模型仍属“实验性”版本，后续是否转为稳定版并保持低价，是观察重点。建议关注三个方向：一是模型在 LMSYS 或 Artificial Analysis 等第三方基准上的真实表现，以验证 Deepseek 自测数据；二是 Anthropic 或 OpenAI 是否针对这一价位调整视觉模型的定价或功能策略；三是 Deepseek 配套的 Harness 框架（v0.1.1）虽已支持新模型，但其 Agent 生态成熟度仍需实际项目检验。
