突发！DeepSeek多模态来了：会做图，不涨价

国内享有盛誉的AI模型DeepSeek，向来是个有特长的「偏科生」：文本推理能力出类拔萃，一碰上图像处理就力不从心，这让小雷心里爱恨交织。

今年8月21日，DeepSeek推出了多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp，同日API接口也面向公众开放，手机端识图功能随之进入体验阶段。

（图片来源：DeepSeek官方）

根据官方的阐释，DeepSeek-V4-Flash-Vision-Exp在Agent、推理、世界知识这些纯文本领域的能力与V4-Flash正式版不相上下，原有的强项得以保留。它发生显著改变的是视觉理解表现：在需要视觉处理的Agent基准测试中，新模型相比V4-Flash取得长足进步，官方强调说「多模态 Agent 能力已非常接近 Opus-4.8」。

（图片来源：DeepSeek官方）

官方展示了三个应用实例，其中最引人注目的是PPT制作：在Agent体系下生成一份商业定制的西藏自驾游方案，要求具有「野性、原始、探索感」的风格，需要呈现三种含真实的计价方案，配图强调实拍的画面质感。其他两个实例分别是网站界面重构和生成前端动态效果Demo。

（图片来源：DeepSeek官方）

关于大家关心的API调用方法，官方也给出了详解，用户只需将model参数设置为DeepSeek-V4-Flash-Vision-Exp即可。

（图片来源：DeepSeek官方）

此时图片会被转化为token进行计费，单张图片最多可容纳384个token，费率与V4-Flash保持一致。图片提交方式包含base64内联格式和外部URL链接，同时新增了Files API：图片上传一次后，后续通过file_id引用，同一图片在多个请求中无需重复上传，此服务免费。

尽管模型名称中带有「Exp」，表明这仍是实验性质版本，距离正式推出尚有时日。但对V4-Flash近期在Arena.ai前端编码榜上首次超越Opus 4.8的成就回想起来，如今视觉理解能力又有所提升，小雷认为DeepSeek今年的进展确实迅速。

（图片来源：AI生成）

可以说DeepSeek的弱点终于得到改善，接下来要观察Agent应用场景能激发多少实际需求，那才能真正检验它的实力。