DeepSeek 发布多模态模型，“小鲸鱼”长出了眼睛

刚刚，DeepSeek 在 API 平台上线实验模型deepseek-v4-flash-vision-exp，开始提供图像理解服务。

根据 DeepSeek 官方文档，用户可以通过设置 来访问 V4-Flash-Vision-Exp 模型的 API。在 API 服务中，图片会转换成 token 后按 token 计费，一张图片最多占 384 tokens，计费价格与 V4-Flash 模型一致。

多模态 API 支持 Chat Completions、Messages、Responses 三种格式调用，可以方便接入各类 Agent 工具中使用，支持图文混合输入，支持 base64 内联、外部 URL、Files API 三种图片传入方式。

这是 DeepSeek V4 系列首次通过官方 API 明确开放视觉输入，也补上了其在多模态开发场景中的一块能力拼图。

在此之前，DeepSeek V4 系列主要以文本推理、代码生成和 Agent 能力见长。

4 月发布的 V4-Flash 采用混合专家架构，总参数量 2840 亿、每个 Token 激活约 130 亿参数，并将 100 万 Token 上下文作为默认配置。

7 月底上线的 V4-Flash-0731 又通过新一轮后训练，重点强化工具调用和长周期 Agent 任务。

但相比之下，Vision-Exp 模型多数指标高于 V4-Flash-0731。

在七项测试中的六项发生变化，其中五项提升、一项小幅下降：

• Terminal Bench 2.1：82.7→83.9

• NL2Repo：54.2→57.7

• DeepSWE：54.4→59.3

• Toolathlon-Verified：70.3→75.9

• DSBench-Hard：59.6→63.6

• AutomationBench：25.1→25.7

• Cybergym：76.7→75.3，下降 1.4 分

提升最明显的是 Toolathlon，新模型增加 5.6 分；其次是 DeepSWE，增加 4.9 分。

这两项都与工具调用、真实代码库修改和长周期 Agent 执行有关。

这意味着，Vision-Exp 可能并非简单地在 V4-Flash 外面接入一个视觉编码器，而是在后训练或多模态 Agent 训练中，同时改善了模型理解环境、规划任务和调用工具的能力。

与 Opus 4.8 相比，Vision-Exp 在大多数文本 Agent 测试中仍然稍弱。例如 NL2Repo 低 12 分，DSBench-Hard 低 8.1 分。

但它在 DeepSWE 上达到 59.3，超过 Opus 4.8 的 58.0；Toolathlon 上为 75.9，也只比 Opus 低 0.3 分。

所以更准确的结论是：Vision-Exp 的文本 Agent 能力整体接近 Opus 4.8，在个别代码 Agent 测试上实现反超，但尚未全面超过。

这款模型在正式上线前已经短暂留下过痕迹。

8 月 20 日，有开发者在 DeepSeek Harness 源码中发现deepseek-v4-flash-vision-exp名称，以及与图片附件、本地文件和代码模式相关的配置。

但当时官方 API 端点尚未开放，调用图片请求会返回错误。

不过，V4-Flash-Vision-Exp 目前仍带有“Exp”后缀，官方也明确将其定义为实验性模型。