DeepSeek 於 8 月 21 日在 API 平台推出首款可處理影像的模型 DeepSeek-V4-Flash-Vision-Exp。這款模型定位為實驗性版本，但文字端的能力與現有的 DeepSeek-V4-Flash 相當，影像輸入也不另外收費。單張圖片以最多 384 個 token 計費，同一天免費的 Files API 也一併開放。
圖片會被折算為最多 384 個 token
以實務角度來看，這次最值得留意的大概是圖片的計費方式。圖片會被換算成 token，與文字一起計入輸入 token，而在換算之前，每張圖片都會先經過一次縮放。
總像素數低於約 384×384 的圖片，會在維持長寬比的前提下放大；更大的圖片則同樣維持長寬比縮小，縮放後的總像素數大致對齊到 800×800 的水準。這樣處理的結果，是單張圖片的 token 數存在 384 的上限。換句話說，2000×2000 與 5000×5000 的圖片在縮放之後所消耗的 token 完全相同。一次請求含有多張圖片時，每一張都依同樣規則獨立計算。
若不需要細緻的視覺資訊，可將 detail 設為 low，圖片會被壓到 512×512。設為 original 或 auto 則保留原始解析度。
response = client.chat.completions.create(
model="deepseek-v4-flash-vision-exp",
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "這張圖片裡有什麼？"},
{"type": "image_url",
"image_url": {"url": "https://example.com/image.jpg", "detail": "low"}},
],
}],
)
文字能力維持不變，提升的是代理端
依 DeepSeek 的說明，這款實驗模型在代理行為、推理與世界知識等文字能力上，與 DeepSeek-V4-Flash 相當。已經把 V4-Flash 用於純文字任務的團隊，切換之後文字端的表現不會出現明顯變化。
真正拉高的是多模態代理能力。官方表示，該模型在多模態代理基準上相較 V4-Flash 有大幅躍進，已接近 Opus-4.8 的水準。讀取儀表板螢幕截圖、從圖表中取出數字、看著介面判斷下一步操作，這類處理有機會比只丟文字摘要少繞幾步。
執行環境也同步更新，DeepSeek Harness 0.1.1 當天釋出並原生支援新模型，既有設定幾乎不必大改就能試。
三種圖片傳入方式，Files API 免費開放
圖片輸入方式有三種：以 base64 直接嵌入請求、傳入公開網址由模型下載，以及上傳到 Files API 後透過 file_id 引用。支援 JPEG、PNG、GIF、WebP 四種格式，格式判定依據檔案實際內容，而非檔名或宣告的 MIME 類型。
同期開放的 Files API 免費使用，在同一張圖片被反覆呼叫時可以省下請求頻寬。上傳一次之後，後續只需指定 file_id。base64 內嵌會計入 48 MiB 的請求主體上限，而透過 Files API 引用的圖片單張可達 64 MiB。
限制也寫得相當清楚：單次請求最多 600 張圖片，外部網址不超過 8192 個字元，單邊最大 8192 像素，當請求包含 15 張以上圖片時降為 4096 像素。圖片只能放在 user 訊息中，放進 system 或 assistant 會回傳 400 錯誤。呼叫介面方面，OpenAI 相容的 Chat Completions、Anthropic 相容的 Messages 以及 Responses API 都可使用。
價格不變，週末全天轉為離峰
計費標準與 DeepSeek-V4-Flash 完全一致。以每 100 萬 token 計算，命中快取的輸入在離峰為 0.007 美元（約 1 日圓）、尖峰為 0.014 美元（約 2 日圓）；未命中快取的輸入在離峰為 0.22 美元（約 35 日圓）、尖峰為 0.44 美元（約 70 日圓）；輸出在離峰為 0.66 美元（約 105 日圓）、尖峰為 1.32 美元（約 210 日圓）。傳入圖片不會產生另外的附加費用，折算出的 token 直接計入輸入端。
※1 美元 = 159 日圓（截至 2026 年 8 月 22 日）
尖峰時段為世界協調時間 1 點至 4 點、6 點至 10 點，其餘時間皆為離峰。此外，自北京時間 8 月 23 日 0 點起規則調整，週六與週日全天以離峰計費。對於可以錯開時間執行的批次作業，光是這一項變動就能把實際單價壓到一半。上下文長度為 100 萬 token，最大輸出 38.4 萬 token，並行上限 2500。
總結
DeepSeek-V4-Flash-Vision-Exp 在維持 V4-Flash 文字能力的同時補上了影像理解。單張圖片 384 個 token 的上限，加上不額外收取影像費用的定價方式，讓以螢幕截圖與圖表為主的工作負載更容易估算成本。免費的 Files API、三種圖片輸入方式，以及週末全天離峰的調價也在同一時間到位。畢竟仍是實驗模型，投入正式環境之前用自己的圖片測一輪準確度這一步省不掉，不過嘗試的門檻確實相當低。
