DeepSeek V4-Flash-Vision-Exp多模态模型上线，视觉Agent能力接近Opus-4.8

月下琴音

8月21日，DeepSeek在API平台上线了全新的多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp。该模型目前处于实验阶段，开发者通过设置model参数为deepseek-v4-flash-vision-exp即可调用。
从定位来看，这款模型主打文本与多模态能力的平衡。在纯文本场景包括Agent、推理和世界知识等方面，它的表现与DeepSeek-V4-Flash正式版基本持平，不会因为增加了视觉能力而牺牲原有的文本功底。而在需要视觉理解的Agent Benchmark测试中，相比纯文本版本的Flash实现了明显提升，多模态Agent能力已接近Opus-4.8的水平。
API接入方面，该模型与现有的DeepSeek-V4系列共享相同的Base URL，同时支持OpenAI格式和Anthropic格式调用。基础配置保持了V4系列的水准，上下文长度支持1M tokens，最大输出长度可达384K。功能层面，Json Output、Tool Calls、Responses API、Anthropic API以及对话前缀续写等特性均已支持，不过FIM补全功能在该实验模型上暂不可用。
价格方面，V4-Flash-Vision-Exp沿用了Flash系列的定价策略，输入和输出成本与deepseek-v4-flash保持一致，相比Pro版本具有明显的成本优势。并发限制也设定为2500，与Flash同级，能够满足较高并发的业务需求。
对于需要处理图片输入的场景，该模型支持JPEG、PNG、GIF和WebP四种常见格式。单个请求最多可携带600张图片，通过Files API上传时单张图片上限为64 MiB，而使用base64或外部URL方式则限制在32 MiB。图片尺寸方面，常规情况下单边最长支持8192像素，如果单次请求包含15张及以上图片，尺寸上限会调整为4096像素。请求体总大小不超过48 MiB，整体配额对于多数视觉应用来说比较充裕。
如果你正在寻找一款在保持文本能力的同时具备较强视觉理解能力，且调用成本较低的模型，这款实验性质的V4-Flash-Vision-Exp值得尝试。不过需要注意的是，作为实验版本，其功能和支持情况可能会随迭代有所调整，建议在生产环境大规模使用前保持关注。