DeepSeek 上线 V4-Flash-Vision-Exp 多模态实验模型

DeepSeek 近日在其官方 API 平台上线了实验性多模态模型 DeepSeek-V4-Flash-Vision-Exp，主打「文本能力不掉队、多模态智能体大幅增强」的方向。该模型继承 V4-Flash 的文本能力，同时在多模态智能体基准上实现显著跃升，整体表现接近 Opus-4.8。同步发布的 DeepSeek Harness 0.1.1 已开箱支持该新模型，开发者可立即接入使用。

模型定位与文本能力

V4-Flash-Vision-Exp 定位为「V4-Flash 的多模态升级版」，在文本侧保持与 V4-Flash 一致的水平，覆盖以下核心能力：

• 智能体（agent）任务
• 推理（reasoning）
• 世界知识（world knowledge）

这意味着用户无需为视觉输入场景额外切换模型，即可在保持原有文本表现的前提下，获得多模态能力。

多模态智能体性能

根据 DeepSeek 官方披露，V4-Flash-Vision-Exp 在多模态智能体基准上较 V4-Flash 取得「重大跃升」（major leap），性能已逼近 Opus-4.8。这一基准通常考察模型在视觉理解与工具调用、任务规划结合场景下的综合表现，对于需要让模型「看懂屏幕截图、操作界面、混合图文指令」的应用尤为重要。

API 接入与计费

新模型通过标准接口即可调用，关键参数如下：

• 模型名：deepseek-v4-flash-vision-exp
• 支持接口：Chat Completions、Messages、Responses
• 输入形式：支持文本与图像混合输入
• 图像接入方式：base64、外部 URL、Files API
• 计费方式：图像按 token 计费，每张图像最多 384 tokens，沿用 V4-Flash 的定价标准

文档入口已在 DeepSeek 官方 X 账号置顶信息中给出。

工具与生态

为配合新模型发布，DeepSeek Harness 0.1.1 同步上线，提供「开箱即用」（out-of-the-box）的兼容支持，开发者可在熟悉的评估与调试环境中直接调用 V4-Flash-Vision-Exp，无需额外适配。

小结

作为一款实验性多模态模型，V4-Flash-Vision-Exp 在文本能力持平 V4-Flash 的前提下，重点强化了多模态智能体方向，并以与 V4-Flash 相同的图像计费标准降低了接入成本。对于正在构建 GUI Agent、视觉问答、图文混合工作流等应用的团队而言，是一个值得测试的新选项。