你把一张网页截图交给AI，让它找出按钮、读懂图表，再根据画面修改页面。过去，DeepSeek的V4 API主要处理文字，人得先把图片“翻译”成文字。现在这一步可以省掉了。
8月21日，DeepSeek把实验性模型DeepSeek-V4-Flash-Vision-Exp上线API平台。它是一款多模态模型——能在同一项任务里处理文字和图片。更重要的是，DeepSeek没有只把它做成“看图问答”，而是把视觉接进Agent工作流。Agent可以理解截图、页面和图文文件，再调用工具继续完成任务。
目前公开信息主要来自DeepSeek公告、文档及其公布的跑分，媒体报道大多是转述，尚不能替代独立实测。
不只是会看图，而是能接着做事
视觉理解，指模型识别图片里的文字、物体、图表和空间关系，并据此回答或行动。对普通聊天来说，这意味着可以直接发图提问。对Agent——能拆解任务、调用工具并执行多步操作的AI——意义更大：它终于能看见软件界面和自己的工作结果。
DeepSeek展示的三个案例都强调这种完整流程：制作商业定制的西藏自驾游PPT，按视觉要求重做DeepSeek Harness官网，以及生成带黏土怪物动态效果的前端Demo。模型需要先理解图片、页面结构和设计意图，再借助工具产出PPT或代码。这不等于模型能原生生成图片；材料能够证明的是视觉理解，以及它与工具执行的结合。
本刊8月4日报道V4-Flash正式版API时，它只提供Chat Completions和Messages两种兼容格式。Vision-Exp在此基础上还支持Responses API——一种把模型回复、工具调用和多步骤交互统一组织起来的接口。现有Agent工具因此更容易接入视觉能力。
开发者把model设为deepseek-v4-flash-vision-exp即可调用。图片可以用base64直接塞进请求、通过外部URL传入，或先上传至Files API，再用file_id引用。接口支持图文混合输入。
图片上传一次，模型可以反复看
同步上线的Files API解决了一个很实际的问题：同一张截图或图表如果要分析多次，不必在每次请求中重新上传。开发者可以先存文件，之后反复引用。这项文件接口本身免费，省下的是带宽和重复传输；模型每次处理图片产生的费用仍然存在，不能理解为“免费识图”。
DeepSeek Harness也在同一天补上配套支持。v0.1.1-rc.1加入Vision-Exp模型选项和原生图片请求；/goal、/plan可以接收图文输入，MCP、ACP可以持久保存图片附件，PTC Mode则能转发嵌套图片。换句话说，模型、文件接口和Agent框架是一起到位的，不只是单独增加一个看图入口。
低价策略延伸到视觉
图片会先转换成token——模型计算和计费时使用的信息单位。单张图片最多计为384 tokens，价格与V4-Flash一致。这延续了DeepSeek以低价API争夺开发者的路线，也让批量处理截图、图表和页面的成本更容易控制。
据智东西按官方价格计算，在高峰时段、缓存未命中的特定条件下，单张图片的最高输入理解费用为0.001152元。不过，这个数字不包括输出及请求中的其他成本，也不能代表所有调用情形。
低价在这里不只是“同样能力卖得便宜”。视觉输入会扩大API能处理的任务边界：过去只能接收文字的Agent，现在可以直接读取截图、图表和软件页面。开发者是否愿意把视觉步骤接入日常工作流，价格会直接影响尝试门槛。
“接近Opus 4.8”该怎么理解
据DeepSeek公布，新模型在需要视觉理解的Agent Benchmark——用于比较Agent完成任务能力的一组标准测试——上较V4-Flash明显提升，多模态Agent能力接近Opus 4.8。
其中，ApexBench得分从26.2升至36.5，增加10.3分；Agents' Last Exam从25.2升至27.3。这里最值得看的不是一句“追平”，而是加入视觉后，原本会忽略图片信息的模型终于能参与完整任务。
“纯文本能力与正式版持平”则要谨慎理解。这是官方总体口径，并非每个项目逐项不变。公开榜单里部分指标上升，也有Cybergym下降1.4分。与Opus 4.8相比，更准确的说法也是“整体接近、互有胜负”，而不是全面超过。个别媒体标题中的“追平”放大了结论。
为什么值得关注
这次发布补上的不是一个孤立功能，而是DeepSeek V4开发者体系里的感知入口。模型负责看图，Files API负责复用图片，Harness负责把图片带进目标、计划和工具调用。三者合起来，Agent才有机会形成“看见界面—采取行动—检查结果”的闭环。
同时，Vision-Exp仍延续V4-Flash的计价方式。能力边界扩大而价格体系不变，会把多模态API竞争从“谁能识图”推向“谁能以更低成本，把视觉稳定地嵌进真实任务”。这也是它比一次普通模型更新更重要的原因。
局限与未知
Exp代表开放测试的实验版，能力、接口和稳定性以后都可能调整，不能等同于成熟正式版。- DeepSeek尚未公布开源权重或完整技术报告，外界无法从现有材料判断视觉能力的具体实现方式。
- 跑分和演示主要来自官方，真实业务中的准确率、稳定性及长流程表现，仍需独立测试。