DeepSeek 上线视觉模型：同价加量，但别拿它认人

8月21日，DeepSeek在API平台上线了多模态视觉理解模型deepseek-v4-flash-vision-exp，官方标注为实验版（Exp） 。这是V4系列第一个能直接输入图片的模型，纯文本能力与V4-Flash正式版基本持平，价格也一样。区别只在输入模态——多了一双眼睛。

先看数据

Vision-Exp的上下文是1M Token，最大输出384K Token，并发限制2500。支持JPEG、PNG、GIF、WebP四种图片格式，兼容Chat Completions、Messages、Responses三种API格式，支持JSON Output和Tool Calls。

图片按尺寸折算成Token计费，单张封顶384 Token。按高峰时段输入价3元/百万Token算，一张图最高成本约0.0012元——1分钱大约能看8张图。空闲时段价格减半，缓存命中的图片请求价格更低。

图片传入支持三种方式：base64内联（编码数据计入48 MiB请求体限制）、外部URL（图像文件最大32 MiB，下载需在60秒内完成）、Files API（推荐方式，尤其适合需要多次引用同一图片的Agent工作流）。

跑分：多模态Agent能力接近Opus 4.8

DeepSeek官方公布了一系列基准测试数据，称多模态Agent能力已接近Claude Opus 4.8。以下数据均为DeepSeek官方自测结果，非第三方独立榜单。

纯文本Agent任务（Vision-Exp vs V4-Flash）：Terminal Bench 2.1 83.9 vs 82.7，DeepSWE 59.3 vs 54.4（提升4.9分），Toolathlon-Verified 75.9 vs 70.3（提升5.6分），DSBench-Hard 63.6 vs 59.6。

多模态Agent任务（V4-Flash因无法处理图像，此前这些任务基本无法作答）：ApexBench 36.5 vs 26.2，Agents‘ Last Exam 27.3 vs 25.2，Chartography 64.3（Opus-4.8为65.0），ZeroBench 35.0（Opus-4.8为34.0），四项评测2胜2负。

看看完成了什么：

官方展示了三个场景，核心逻辑都是“看图干活一气呵成”。

生成PPT：输入“帮我做个西藏攻略的PPT，藏南+藏北，一个月自驾游，高端定制，野性、原始、探索感，不要小清新”，模型输出一套带真实摄影风格配图、包含三种定价方案的完整PPT。

网站风格重构：给一张DeepSeek Harness官网截图，要求“黑蓝深海、玻璃UI、ASCII原子像素”风格，经过多轮交互后重构出未来主义风格的开发者网站。

前端动态特效：输入“一群可爱的3D黏土小怪物加入一个跃动的复古舞池派对”，直接生成可运行的前端Mini Demo。

人脸识别翻车，问题出在架构

这是网上吐槽最多的点。同一张梁文锋的照片，不同人测出来结果不一样——有人说是王兴，有人说是王宁，有人说是张一鸣或张雪峰。还有网友把时代少年团合照发给它，它得出的结论是“这五个人长得太像、皮肤过于光滑，可能是批量生成的假图”。

这背后是架构问题。

DeepSeek走的不是原生多模态路线，而是“外挂视觉”路线——把已有的视觉编码模块接到V4-Flash前面，由文本主干完成后续推理。对于常规物体识别、OCR、图表理解这类任务，这条路够用。但人脸识别需要的是“精细视觉-语义对齐”——视觉编码器提取的特征要精确对应到具体身份，文本主干要准确调用记忆里的那个人，这套拼装架构在信息传递过程中存在损耗。

有实测显示，在处理Three.js三维场景这类复杂任务时，Vision-Exp反复自我纠错，Token消耗比Gemini 3.7 Flash高出近15倍，耗时多出3.5倍。

和Image-2不是一回事

Vision-Exp是“看图”——输入图片，输出文字、代码或Agent操作。GPT Image-2是“出图”——输入文字，输出一张新图。一个管“读懂”，一个管“创造”。

计价逻辑和价格量级完全不同：Vision-Exp看图一张约0.0012元，Image-2出图一张约0.006到0.211美元。

总结

Vision-Exp被定位为Agent的视觉入口——它的任务是“看懂截图、分析图表、理解UI布局，然后继续干活”，而不是“认人”。用超出设计范围的方式去用它，它确实会露馅。

如果你需要低成本地把看图能力接入Agent工作流——识别截图文字、分析图表、判断前端页面效果——这个模型是目前成本最低的选择之一。但如果你需要精确的人物识别或高难度视觉推理任务，它现在还不太行。

名字里的“Exp”意味着还有优化空间，生产场景建议先测试再决定是否接入。