DeepSeek 上线实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，首次在 API 平台提供原生图像理解能力，可以描述图片、识别截图文字、分析图表。它的定价与文本版 V4-Flash 完全一致，而图像换算规则给每张图设了一个很低的成本上限。能力方面，官方口径是"接近 Opus 4.8"，目前只有一例小样本第三方实测可查，精度结论需要保留。 图像怎么算钱
根据 DeepSeek 官方文档，发给该模型的图像会先按尺寸自动缩放：总像素低于约 384×384 的图会被放大，更大的图会被等比压缩到约 800×800 的像素总量，然后换算成 Token 与文字一起按输入价计费。换算结果是每张图最多 384 个 Token——一张 2000×2000 的截图和一张 5000×5000 的大图，成本完全相同。
价格本身没有为新能力加价。官方定价表显示，V4-Flash-Vision-Exp 与 V4-Flash 同价：输入（缓存未命中）高峰时段 0.44 美元/百万 Token，低谷时段 0.22 美元/百万 Token，输出高峰 1.32 美元/百万 Token。一个刚生效的细节是，从8月23日起 DeepSeek 把低谷价扩展到了周末全天（北京时间）。
调用上有三种传图方式：base64 内联、外部 URL 和 Files API 引用，单个请求最多携带 600 张图。detail 参数设为 low 时图像会先压到 512×512，适合不需要看清细节的场景。
能力：官方口径与一例实测
DeepSeek 在公告中称，该模型在需要视觉理解的 Agent 基准测试上相比 V4-Flash 大幅提升，"多模态 Agent 能力已接近 Opus 4.8"。这是厂商自述口径，用词是"接近"，且目前没有第三方复核。
第三方验证方面，目前能查到的主要是8月21日一组网友实测：图表精确读数、发票 OCR（逐个数字核对）、跨图对比三项全部通过；但在微小物体计数上连续两次出错——9 个三角形只数出 8 个。延迟表现也不稳定，实测在 3 到 32 秒之间抖动，同组对照的 Opus 4.8 稳定在 3 到 5 秒，Gemini 3.5 Flash 为 4 到 8 秒。这组测试样本很小，每个项目只做了一两次，只能说明"在这些任务上没有明显翻车"，不足以支撑能力结论。 成本对照倒是这组实测里最有信息量的部分。实测记录显示，同一张 2000px 宽的截图，DeepSeek 按 446 个 prompt Token 计费（含文本提示词，图像部分不超过官方的 384 上限），Opus 4.8 计 3115 个，Gemini 3.5 Flash 计 1081 个。结合各家官方输入单价（Opus 4.8 为 5 美元/百万 Token，Gemini 3.5 Flash 约 1.5 美元/百万 Token），一张高分辨率截图的输入成本大约是：DeepSeek 0.0002 美元，Gemini 0.0016 美元，Opus 0.0156 美元——DeepSeek 与 Opus 差了约 80 倍。
谁该现在用，怎么用
成本敏感的海量截图、文档、报告处理是这个模型眼下最确定的位置。每张图成本封顶在 0.0002 美元量级，意味着批量处理几万张截图的图像输入成本只有几美元，这类任务过去用 Opus 级模型做，成本要高两个数量级。
但 384 Token 封顶同时是精度上限。图像被压缩到约 800×800 等效像素后，4K 扫描件、密集表格这类高密度文档的细节会丢失，实测中微小物体计数出错也与此一致。一个可行的变通是把大图切片后分块发送，绕开单图压缩——代价是 Token 按片数线性增加，好在基数足够低。对延迟敏感的交互场景则需要观望，目前实测的延迟波动明显大于两个对手。
还需要记住它的"实验性"标签：模型名里的 exp 后缀意味着能力和稳定性都可能在正式版之前变动。在这个价位上，它先把"给截图和文档装上眼睛"这件事的成本打到了可以忽略的水平；能不能接手更精细的视觉任务，要等更多第三方测试和正式版来回答。
AI 速览
