DeepSeek上线实验性视觉模型

当一个Agent不再只读文字，它才开始碰到真实工作的入口：截图、文档页面、表格和错误信息。DeepSeek近日在API平台上线实验性多模态模型 deepseek-v4-flash-vision-exp，让现有Agent工作流可以接收图片；DeepSeek Harness 0.1.1也已加入原生支持。

这款模型沿用了DeepSeek-V4-Flash的文本能力，同时增加视觉理解。开发者可以通过Chat Completions、Messages和Responses API提交混合的文字与图片，图片则可用Base64、外部URL或Files API提供。办公Agent可以分析页面和表格，开发Agent可以识别界面问题与错误信息，内容生产工具也能根据图片素材辅助生成内容。

成本仍按token计算，图片会先根据尺寸换算为token，每张最高 384 tokens。输入价格在缓存命中时，闲时为每百万tokens 0.05元、繁忙时段为0.10元；缓存未命中时分别为1.5元和3元。输出价格分别为4.5元和9元。繁忙时段是北京时间每天9:00至12:00、14:00至18:00，其余时间按闲时价格计算。

重复传图是多轮Agent任务中的实际负担。新推出的Files API允许开发者先上传图片，再用file_id在不同请求中引用同一文件，无需反复上传；它支持JPEG、PNG、GIF和WebP，单个文件最大 64 MiB，单用户最多保存25 GiB和10000个文件。

具体来说，开发者现在可以把图片理解接到已有的办公、开发和内容生产流程里，而不用为每一轮任务重新传输相同素材。官方称，这款模型在多模态Agent基准测试中相比V4-Flash有明显提升，表现接近Opus-4.8等高端模型；但它仍被定义为实验性质模型。