DeepSeek 终于出多模态了

DeepSeek 的 API 平台上线了新模型 deepseek-v4-flash-vision-exp，一个长着眼睛的 V4-Flash。

为什么说「终于」

DeepSeek V4 是今年 4 月发布的，架构上天生支持图片输入。但发布之后 API 上只有纯文本的 V4-Pro 和 V4-Flash，视觉能力一直没用上。

社区等不及了。

Hugging Face 上冒出一堆民间方案，拿 MoonViT 之类的视觉桥接器往 V4-Flash 上焊。效果也有，但毕竟是外接设备，用起来总差点意思，而且只有动手能力强的玩家玩得转。

这次官方 API 直接原生支持视觉，等于官方亲自出手，把欠了四个月的视力补上了。

新模型强在哪

先看官方给的数据。这个新模型最核心的一点：文本能力没有缩水。官方说得很直白，它在 agent、推理、世界知识这些纯文本项上，和官方 V4-Flash 持平。

视觉这一块，跳得就很猛了：

新增的 Chartography 得分 64.3，ZeroBench（Pass@5）35.0，这些是纯视觉、多模态方向的任务。

官方原话是：在需要视觉理解的 agent 任务上，它的多模态能力已经逼近 Opus-4.8。

要知道 Opus-4.8 是什么价位，下面说。

价格：没单独定价

先看表。

deepseek-v4-flash-vision-exp（每 1M token）
输入（cache miss）：$0.22（平峰）/ $0.44（高峰）
输出：$0.66 / $1.32

和 V4-Flash 一个价，没有单独给视觉多加钱。图片按尺寸折算成 token，每张图最多 384 个输入 token，这点还算厚道。

遗憾也在这。

8 月 16 号，DeepSeek 刚把整个 API 价格上调过一轮：Flash 的输入（cache miss）从 $0.14 涨到 $0.22，输出从 $0.28 涨到 $0.66，高峰时段（北京时间上午 9-12 点、下午 2-6 点）还要再翻一倍。

vision 是 8 月 21 号才上线的，恰好生在了涨价之后。

设想一下：如果它按涨价前的 $0.14 / $0.28 入场，这模型绝对无敌——多模态能力逼近 Opus-4.8，价格还是原来的地板价。现在呢，能力是真的，价格是调过一档之后的价。拉开差距，靠的是效果本身，不是差价。

你原来调 V4-Flash 的代码，把模型名换成 deepseek-v4-flash-vision-exp，传张图进去，就完事了。

怎么用

支持 JPEG、PNG、GIF、WebP。传图有三种姿势：图片转 base64 塞进请求、给一个外网图片 URL、或者先用 Files API 上传再引用 file_id。

import base64
from openai import OpenAI

client = OpenAI(api_key="<KEY>", base_url="https://api.deepseek.com")
with open("image.jpg", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

resp = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "这张图里有什么？"},
            {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
        ],
    }],
)
print(resp.choices[0].message.content)

不只有 OpenAI 那套接口，Anthropic 兼容接口、Responses API 都能传图。传的时候还能用 detail 参数控制精度：要省 token 就 low，细节敏感就 original。

顺便：Harness 也更新了

同一天，DeepSeek Harness 发布了 0.1.1。

先说背景，Harness 是「模型 + 工具 + 沙箱 + 循环」这一整套让智能体干活的框架，DeepSeek 开源把它做成了「一切皆插件」，上周刚发布就火得不行，GitHub 上 24 小时冲了几万星。

0.1.1 这版专门配合新模型：模型适配器支持原生图片请求，/goal、/plan 这些命令也能接收图文了，还修了图片文件太大、历史图片太多导致请求失败的问题。

到这里，DeepSeek 的家底算是齐了：模型有眼睛，harness 有手脚，自己就能闭环跑一圈。

最后

多模态能力没打折扣，agent 表现逼近一线闭源模型，顺带把自家 harness 也喂上了视觉。

可惜卡在了涨价后面，没能把「低价 + 多模态」这手牌凑满。愿意尝鲜的去 API 上玩玩，试错成本不高；生产环境关键链路就算了，毕竟是 exp 版本。