DeepSeek 终于给 Flash 装上眼睛：一张图最多 384 tokens，价格却没涨

先说结论

DeepSeek 终于把“看图”能力送进了低价 Flash API，而且真正有杀伤力的数字不是跑分，是每张图片最多只算 384 tokens。

8 月 21 日，DeepSeek-V4-Flash-Vision-Exp 上线官方 API。它不是把图片先交给另一个模型转述，而是直接接受图文混合输入；价格与 V4 Flash 相同，并兼容 Chat Completions、Anthropic Messages 和 Responses API。

这让截图分析、网页操作、图表理解和视觉编程突然有了一个很便宜的新入口。但名字里的 Exp 不能忽略：这是实验模型，DeepSeek 公布的“接近 Opus 4.8”仍是厂商自报结果，今天还没有足够的独立实测证明它在真实 Agent 工作流里同样稳定。

DeepSeek 的反转：Flash 终于能直接看图

此前的 V4 Flash 是文本模型。开发者想让它理解截图，通常要在前面再接一个视觉模型：先把图片变成文字描述，再交给 Flash 推理。这能用，却会增加延迟、成本和信息损失。

现在只需把模型名设为 deepseek-v4-flash-vision-exp，就能直接发送图片。官方支持三种入口：base64 内联、公开图片 URL，以及先上传再用 file_id 引用的 Files API。

这个变化最适合 Agent，而不只是“识图聊天”。一个网页 Agent 可以看页面截图再决定点击什么；编程 Agent 可以读取报错截图或设计稿；办公 Agent 可以分析图表、扫描件和 PPT 页面。视觉不再是旁路工具，而能进入同一段对话和工具调用链。

真正狠的是 384 tokens，而不是“多模态”三个字

DeepSeek 会先按比例缩放图片，再把视觉内容折算成输入 tokens。官方规则写得很明确：每张图片最多消耗 384 tokens，大图不会因为像素继续增加而无限涨价。

价格表显示，Vision-Exp 与 V4 Flash 使用同一套费率：缓存未命中的百万输入 tokens，空闲时段为 1.5 元、高峰时段为 3 元；百万输出 tokens 分别为 4.5 元和 9 元。图片 tokens 与文本 tokens 一起计费。

按 384-token 上限粗算，一张图片对应的纯输入费用非常小。真正可能把账单推高的，不是单张图，而是 Agent 连续截屏、反复观察页面、失败后重试，以及随后生成的大量文本。便宜的是“看一眼”，不一定是“让 Agent 看一百眼”。

三套 API 都能接，Files API 让 Agent 少搬图片

这次不是只有一种 OpenAI 风格接口。官方文档确认三套调用路径都支持图像：

• Chat Completions 可使用 image_url 或 file 内容块；
• Anthropic Messages 可使用 base64、URL 或 Files API，并在引用文件时携带 beta 请求头；
• Responses API 使用 input_image，也能在工具输出中传回图片。

Files API 的价值不是“多一个上传按钮”，而是复用。同一张设计稿、扫描件或产品图只需上传一次，后续请求用 file_id 引用，不必每轮重复传输。官方还允许设置 1 小时到 30 天的有效期，也可以不设置有效期而永久保存；单个文件最大 64 MiB。

代价是数据治理更重要了。文件归属于 API key，永久保存并不总是好事。企业团队应主动设置过期时间、限制上传内容，并确认客户图片和内部文件是否允许进入第三方 API。

跑分接近 Opus 4.8？先看清是谁测的

DeepSeek 更新日志给出的 Vision-Exp 成绩包括 Terminal Bench 2.1 的 83.9、DeepSWE 的 59.3、ApexBench Pass@1 的 36.5，以及 Agents’ Last Exam 的 27.3。官方称它在需要视觉理解的 Agent Benchmark 上大幅超过文本版 Flash，并已接近 Opus 4.8。

这些数字有信息量，但不能直接翻译成“384 tokens 的 DeepSeek 已经等于 Opus”。首先，结果来自 DeepSeek 自己；其次，Code Agent 文本任务使用了 DeepSeek Harness 极简模式、max 档位、temperature=1.0 和 top_p=0.95；最后，ApexBench 和 Agents’ Last Exam 中，纯文本 Flash 会忽略多模态元素，这让新旧差距本来就会很大。

目前可以确认的是：Vision-Exp 补上了 Flash 最明显的能力缺口。尚不能确认的是：它在密集 OCR、小字截图、复杂空间关系、连续多轮网页操作和幻觉控制上，是否真的达到顶级闭源模型的稳定性。

我们的判断：这是一张低价多模态 Agent 入场券

DeepSeek 这次最聪明的动作，不是再造一个“旗舰视觉模型”，而是把视觉能力接到已经便宜、并发高、Agent 生态逐渐成熟的 Flash 上。

对开发者来说，迁移成本也被压得很低：原有 DeepSeek base URL 不变，主要工作是换模型名、把消息 content 改成图文块，并处理文件生命周期。它更像一次 API 能力解锁，而不是要求你重写整套系统。

因此我们会给它一个谨慎积极的结论：值得拿真实任务做小规模 A/B 测试，但不值得因为一张官方跑分图立刻替换生产视觉模型。

适合谁现在试

• 已经在用 V4 Flash，希望 Agent 能直接读取截图或设计稿的团队；
• 需要批量分析商品图、票据、图表和网页截图，但对单次成本敏感的产品；
• 想比较 Responses、Messages 与 Chat Completions 三种 Agent 接入方式的开发者。

仍然要观察

• 独立评测能否复现 83.9、36.5 和 27.3 等官方成绩；
• 384-token 视觉压缩对小字、密集表格和高分辨率界面的损失；
• 实验模型的版本稳定性、限流、延迟和未来是否转为正式版；
• Files API 的免费上传政策、存储治理和长期保留规则是否调整。