DeepSeek 多模态视觉模型 V4-Flash-Vision-Exp 全面拆解：跑分、原理、API 接入与国内合规实操笔记

本文由 莫潇羽@无忆研习社（www.wuyi.wiki）撰写，转载请注明出处。

快速摘要

这次 DeepSeek 一声不响地把多模态那块拼图补上了。2026 年 8 月 21 日下午，DeepSeek-V4-Flash-Vision-Exp 悄悄上线 API 平台，纯文本能力和 V4-Flash 正式版持平，视觉 Agent 能力已经能贴着 Claude Opus-4.8 打，价格却和 V4-Flash 一样，甚至同步开放了免费的 Files API 用来复用图片。单张图最多消耗 384 个 token，2000×2000 和 5000×5000 缩放之后消耗其实一样多——这条几乎重写了很多人心里"大图=烧钱"的直觉。

这篇文章我不打算只搬跑分表。我会把这次更新拆成七件事讲清楚：模型定位、跑分怎么读才不被数字忽悠、图片如何被 token 化、三种调用格式与传图方式各自适合什么场景、和自家 DeepSeek Harness 的联动、能落地的应用场景，以及国内发布时绕不开的 AI 生成内容标识合规。想看完整拆解，往下翻。

一、DeepSeek 多模态终于登场：这块拼图为什么等了这么久

DeepSeek 这家公司做事的节奏很特别。它不像其它厂商喜欢在发布会上敲锣打鼓，而是喜欢在半夜或者傍晚把 API 文档悄悄改一行，等你早上起床刷 X、刷知乎才发现——梁子那边又更新了。这次的多模态视觉模型也是走的同一套路：没有预热、没有海报，8 月 21 日下午一条推文，DeepSeek-V4-Flash-Vision-Exp 就直接挂上了 API 平台。

我（莫潇羽@无忆研习社）之所以把这次更新单独写一篇长稿，是因为多模态这个词在 DeepSeek 的整条产品线里一直是个明显的洞。V3 时代到 V4 时代，代码、推理、Agent 能力一波一波往上爬，唯独视觉理解这一块，官方 API 一直没有公开产品。开发者只能拼命用 OCR 识别成文字，再把文字塞进 DeepSeek，再等模型吐结果——中间人肉搭桥搭得心累。

现在这道桥终于自己长起来了。

1.1 什么叫"多模态视觉理解模型"

先给不熟悉这个词的朋友补一下白话解释。

多模态（Multimodal）字面意思是"多种感官通道"。在大模型语境下，它指模型的输入不再限于文字，而是可以同时接收文字、图片、音频、视频等多种数据形式。视觉理解（Vision Understanding）则更聚焦一点，只覆盖图像这一种模态的输入。它比单纯的"图片分类"要重得多——模型不仅要认出"这是一只猫"，还要能读图片里的字、分析图表、看懂 UI 布局、理解截图里的错误提示，甚至基于图片做多步推理。

举个例子。如果你把一张运行时报错的 IDE 截图丢给一个纯文本模型，它两眼一抹黑。你必须先把报错文字复制出来、再粘贴给模型。而多模态视觉理解模型可以直接看这张截图，告诉你哪一行是关键错误、可能是什么原因、建议怎么排查。这个"直接看图"的能力，是把 Agent 从"处理文字世界"推进到"处理屏幕世界"的关键一步。

1.2 为什么这次是"补上一块拼图"

DeepSeek 过去一年半的路径其实已经很清晰了。梁子（网友对创始人的昵称，本文一律使用这个称呼来指代 DeepSeek 团队的整体风格，避免暴露个人 IP）把资源基本都压在两件事上：一是把文本大模型的推理与代码能力做到极致，二是把 Agent 工程化的底子铺好。前者对应 V3、R1、V4 这些主线模型；后者对应今年 8 月 13 日随 V4 Pro 一起开源的 DeepSeek Harness——一个专门用来跑 Agent 任务的运行框架。

在这两条线上，视觉是一个明显的短板。因为如果你想让 Agent 帮你写前端、帮你操作电脑、帮你分析业务报表，"看屏幕"是一项躲不开的能力。之前的 V4-Flash 和 V4 Pro 都只会读文字，Agent 一遇到"帮我根据这张设计稿生成 React 页面"这样的任务，只能干瞪眼。

DeepSeek-V4-Flash-Vision-Exp 的上线，从这个视角看，其实不是一次孤立的模型发布，而是把 Agent 体系里最后一块基础能力补齐。这也是为什么梁子选了 Flash 版本来打头阵：Flash 是承担高频调用的性价比款，先让它长眼睛，等原型稳了再往 Pro 上迁，节奏最合理。

1.3 "实验性"三个字要认真读

官方给这次发布挂了一个显眼的后缀：Exp，全称 experimental。API 更新日志里也白纸黑字写着"这是一个实验性质的模型"。

在国产模型里，把 Exp 后缀挂出来的其实不多。它意味着几件事：

• 可能会有 breaking change：接口、参数、行为都可能在下一次迭代时被改动，不建议直接上生产。
• 没有单独技术报告：官方目前没有放开源权重，也没有像 V3、R1 那样发独立论文，能推理的架构细节非常有限。
• 官方也在收集反馈：这个阶段更像一次"公开测试"，梁子在等社区把不同场景的 Case 打出来，再决定往正式版怎么合流。

我的建议是：可以用它做原型、做内部工具、做非核心场景的验证，但如果你是 To B 的严肃业务，暂时先别把它写进合同 SLA。 这话我自己也一直提醒团队。

1.4 我自己拿到消息之后的第一反应

老实说，看到那条推文我脑子里冒出的第一句话不是"跑分怎么样"，而是"价格怎么样"。

因为多模态模型历来是烧钱大户。图片按 token 计费的模式，一张高分辨率图动辄几千 token，多轮对话很快就把成本顶起来。之前很多国外的多模态 API，一张图单价折合人民币能到几分钱，一个多模态 Agent 跑一小时几百上千不是稀奇事。

结果我翻到定价页——图片计费价格和 V4-Flash 保持一致，单张图最多 384 tokens。384 是什么概念？相当于 200 多个汉字的成本。就算按高峰时段的输入价来算，单张图上限不到一分二厘钱。

梁子这次又把价格战往深水区带了一步。

二、V4-Flash-Vision-Exp 到底是个什么模型：产品维度拆解

聊完背景，我们进产品本身。要判断这个模型能不能用、值不值得接，得先搞清楚它的能力边界、输入输出规格、以及和现有 V4 家族的关系。

2.1 一句话定位

DeepSeek-V4-Flash-Vision-Exp 是在 V4-Flash 正式版基础上，为其增加了原生图像理解能力的实验版本。两者共用同一套模型结构与参数规模，纯文本任务表现基本对齐。区别只有一个——这个新版本能"看见"图片，而 V4-Flash 只能"读到"文字。

也就是说，如果你把老应用里的模型名 deepseek-v4-flash 换成 deepseek-v4-flash-vision-exp，文字任务的表现不会掉，同时你多得了一个"图片输入"的能力槽。这是我自己实测下来最直观的感受。

2.2 支持的输入形式

先看图片格式，官方目前放开了 4 种主流格式：

之前有人问我"BMP、TIFF 能不能传"。答案是暂时不行，先在本地转成上面这四种再说。图片可以以 Base64 编码内嵌、外部 URL 引用、或者通过 Files API 上传后拿 file_id 引用 三种方式送进去。这三种传图方式我会在第五章详细拆开讲。

当前版本只支持图片，不支持视频与音频。 有些人把 GIF 当"迷你视频"来传，本质上模型还是按图像处理的，理解不到时间维度。如果业务真的需要视频理解，还得等下一版。

2.3 上下文窗口与输出上限

这是我最在意的两个数字。

• 上下文窗口：官方标注最高 1,000,000 tokens（1M）。
• 最大输出：384,000 tokens（384K）。

1M 上下文这个数字放在国内属于第一梯队水平。它意味着你可以塞一整个仓库的代码、几百页的 PDF 摘要、或者一大批图片文本混合的资料进去，让模型一次性理解。图片本身最多 384 token，所以理论上一次请求可以塞非常多张图——只不过官方另外给了一个"每次请求最多 600 张图片"的上限，以及总请求体大小的限制，具体规则我在第四章会一起讲。

输出 384K 更是夸张，写一部中长篇小说都够了。当然实际使用中你不会真的让它一次吐这么多，但这个天花板抬高意味着长篇报告、长代码文件、大批量数据填充都不用再拆分请求。

2.4 Agent 相关的关键能力

除了看图和长上下文，这个模型继承了 V4 家族所有的 Agent 相关能力：

• Tool Calls：可以调用外部工具，配合插件生态完成多步骤任务。
• JSON Output：输出格式可以强制约束成 JSON，方便下游代码解析。
• 思考模式：可以显式打开推理链条，用更多的 token 换更高的准确率。
• 上下文缓存：命中缓存的输入 token 打大折，长会话成本可控。
• 原生 OpenAI Responses API、Anthropic Messages API 兼容：老代码基本不用改。

这些能力叠在一起，你就知道它不是拿来做"给图片写个描述"的传统 VLM，而是设计给 Agent 场景用的。梁子的思路很明确——先让模型能被 Agent 生态用起来，再谈别的。

2.5 和 V4-Flash 正式版的关系

一张表让你一眼看清：

从这张表能看出，Vision-Exp 走的是"平替升级"路线——你没有理由再单独接文本版了，直接上 Vision 版就是免费送你一个能看图的模型。唯一例外的场景是你对稳定性要求极高、非常怕实验版下线。这种情况老实继续用 V4-Flash 正式版就好，等 Vision 转正再迁移。

2.6 一个不太起眼但很重要的信号

我个人还留意到一个细节：这次官方在同一版更新里，一并把 Files API 免费开放了。Files API 允许你把一张图片上传一次、拿到一个 file_id，然后在多次请求里通过这个 id 反复引用，不用每次都重新传图片二进制。

单看这个 API 好像只是省点带宽，但如果你写过多模态 Agent 就会知道——一个长会话里，同一张背景图、同一张需求截图、同一张风格参考图，被反复引用是很常见的。以前每轮请求都要把 base64 传一次，带宽和请求体大小都会爆。Files API 一开，这个体验一下子就顺了。

梁子这次是模型 + 基础设施一起动，不是单纯挂个新模型完事。这也是我觉得它比看起来更重要的原因之一。

三、跑分怎么读：接近 Opus-4.8 的真相与水分

聊多模态模型不看跑分等于耍流氓，但只看跑分数字又非常容易被忽悠。这一章我把这次官方公布的所有基准分数摆一起，帮你看清楚哪些数字是硬实力、哪些数字带条件、哪些是"数字上好看，实际未必好用"。

3.1 官方公开的完整跑分表

先把数字摊在桌上。这是我根据官方 API 更新日志和 DataLearner 汇总的结果：

注：Code Agent 类文本任务使用 DeepSeek Harness 极简模式测试，参数为 max effort、top-p=0.95、temperature=1.0；在 ApexBench 与 Agents' Last Exam 的对比中，纯文本的 V4-Flash 会直接忽略题目里的多模态元素，数字仅供理解模型迭代幅度用。

这张表信息量很大。我一条一条给你捋。

3.2 与 Opus-4.8 相比，赢了三项、平了三项、输了四项

按官方口径，Vision-Exp 一共在 10 个基准里和 Opus-4.8 掰手腕。它在 DeepSWE、Agents' Last Exam、ZeroBench 三项上分数更高，虽然幅度只有 1 到 2 分，但对于一个和 Opus-4.8 完全不同代际的实验版模型来说，能拿下三城已经很硬。

Toolathlon-Verified（75.9 vs 76.2）、Chartography（64.3 vs 65.0）、Terminal Bench 2.1（83.9 vs 85.0）三项，差距都在 1 分以内，可以视为"打平"。

真正被拉开的是 NL2Repo（57.7 vs 69.7，差 12 分）和 DSBench-Hard（63.6 vs 71.7，差 8 分）这两项，前者考察"从需求描述生成一个完整代码仓库"的能力，后者是数据科学里的硬题。这两项差距一定程度反映了 Flash 尺寸模型在需要长期规划、多步复杂推理的任务上，仍然被顶尖旗舰甩开一小段身位——这一点开发者接入时要有心理准备，别指望用 Flash 尺寸的模型去干 Pro 尺寸的活。

3.3 视觉能力的跃升到底有多大

这是这次发布最想秀肌肉的地方。看这张收窄表：

ApexBench (Pass@1)
  V4-Flash（纯文本）  26.2 分
  V4-Flash-Vision-Exp 36.5 分   ← 相比纯文本版跃升 10.3 分
  Opus-4.8            39.4 分   ← 仍领先，但差距被压缩到 2.9 分

Agents' Last Exam
  V4-Flash（纯文本）  25.2 分
  V4-Flash-Vision-Exp 27.3 分   ← 反超 Opus-4.8 的 25.7 分

ZeroBench (Pass@5)
  V4-Flash（纯文本）  未公布
  V4-Flash-Vision-Exp 35.0 分   ← 高出 Opus-4.8 的 34.0 分 1 分

看到这里你可能会疑惑：如果 V4-Flash 是纯文本模型，它是怎么在多模态题目上拿到 26 分的？

官方在脚注里说得很直白——"在 ApexBench 和 Agents' Last Exam 的评估中，纯文本模型 V4-Flash 会忽略题目中的多模态元素"。换句话说，那 26 分是 V4-Flash 硬着头皮闭着眼答文字线索得到的分，Vision-Exp 睁开眼加了图之后，直接把分数抬到了 36。这个 10 分的跃升，真正反映的就是"看见"这件事本身的价值。

所以官方那句"接近 Opus-4.8"，主要指的其实是多模态相关的四个基准（ApexBench、Chartography、Agents' Last Exam、ZeroBench）。剩下六个偏文本能力的基准里，Vision-Exp 和 Opus-4.8 还是有明显差距。看跑分的时候一定要分场景看，别一句"接近 Opus"就把它捧成 Opus 平替——这个陷阱新手最容易踩。

3.4 极简模式 + max 档位是什么意思

官方脚注里还有一段小字：Code Agent 类文本任务用的是 DeepSeek Harness 极简模式 作为 Agent 框架，思考档位设成 max，采样参数固定为 temperature=1.0、top_p=0.95。

这几个词第一次接触会有点懵，我用白话拆一遍。

DeepSeek Harness 是 DeepSeek 自研的 Agent 运行框架，8 月 13 日随 V4 Pro 一起开源。它相当于给模型套了一层"外骨骼"，让模型能按标准协议调用工具、维护对话状态、跑长任务。Harness 内置了标准、极简、代码、创造四种预设模式。

极简模式（Minimal）只给模型两个工具、写死提示词，规则最简单、变量最少。梁子选它跑基准是有讲究的——工具变量压到最小，跑出来的分数更能反映模型自身能力，而不是"工具设计得好不好"。但这也意味着你在自己项目里用 LangChain、AutoGen、CrewAI 这些框架时，跑出来的实际效果可能和官方分数不完全对齐。官方原话就是"其他框架下结果可能略有不同"，属实是难得的透明。

max 档位是把思考强度拉到最大，允许模型消耗更多推理 token 去尝试。理论上分数会更好，但成本会更高、响应会更慢。生产环境里你不一定用得起 max，要根据业务对成本和延迟的容忍度自己权衡。

temperature=1.0 和 top_p=0.95 是常见的采样参数，表示"给模型更多随机性、允许它探索多种可能答案"。跑分场景多次采样求最好，效果不错；线上场景如果你希望稳定输出，通常会把 temperature 调低到 0.2 到 0.7 之间。

3.5 各个 benchmark 一句话简介

新手看基准名字容易头晕，我把这次涉及的几个陌生名字也一并解释一下：

• Terminal Bench 2.1：让模型在终端环境里完成多步实操任务，考察它读懂命令行输出、编写 shell 命令、修 bug 的综合能力。
• DeepSWE：真实开源仓库里的软件工程任务，模型需要读代码、定位问题、写 patch、跑测试。
• NL2Repo：给一段自然语言需求描述，让模型从零生成一个完整的可运行仓库。
• DSBench-Hard：数据科学场景的困难题，包括数据清洗、特征工程、建模、可视化等步骤。
• Toolathlon-Verified：综合工具调用能力，模型需要在多个工具之间来回切换完成任务。
• AutomationBench (Public)：桌面/浏览器自动化任务的公开子集。
• ApexBench：多模态 Agent 综合基准，题目中含图像、需要模型看图作答。
• Agents' Last Exam：多模态高难度综合题，被戏称为"Agent 的高考"。
• Chartography：专门测图表理解，如折线图、柱状图、饼图的数据抽取和分析。
• ZeroBench：面向多模态大模型的高难度视觉基准，故意做成"当前模型全跪"的难度，用来给顶级模型留 headroom。

3.6 我怎么看这份跑分

我（莫潇羽@无忆研习社）个人的判断可以浓缩成三句话：

一是这份数据的信号价值大于绝对值——它告诉我们，DeepSeek 用一个 Flash 尺寸的实验版模型，在多模态维度上已经能和顶级旗舰打平甚至反超，说明底层视觉能力的训练是踏实的，接下来 Pro 版本可期。

二是别把"接近 Opus"当成生产宣传语。它接近的是特定几个多模态基准分数，其余方面尤其是复杂代码和长程规划，短板依然存在。

三是看基准别忘了看 harness 和采样参数。同一个模型，跑在不同 Agent 框架里、用不同参数，分数能差出 20 分以上。官方给出的是"上限"，你实际能拿到多少，取决于你的调用姿势。

四、图片是怎么被算成 token 的：一张图到底多少钱

多模态模型的账不好算，很多人接完 API 半个月，账单出来才傻眼。这一章我把 V4-Flash-Vision-Exp 的图片计费逻辑掰得细一点，让你在动手前心里就有一本谱。

4.1 核心规则：图片先被 token 化，再按普通输入 token 计费

先立一个大前提：这个模型没有"按张图收费"的说法。所有图片进入模型前，会被一个"tokenizer"（分词器/视觉编码器的联合流程）转换成一定数量的 token，之后就和文字 token 混在一起，按你所在时段的输入价格计费。

单张图片消耗的 token 数量，由图片经过缩放后的最终像素决定，上限是 384 tokens。也就是说，不管你原图是 4K 还是 8K，最多也只会算 384 个 token 给你。这是一个"很平"的收费机制——不像国外某些模型按照 tile（图块）叠加算，越大越贵没上限。

4.2 图片会被自动缩放

模型不是拿到原图就直接算 token 的。它会先做一次"标准化缩放"：

• 原图偏小：可能会按等比例上采样，让像素总量落到一个合理区间。
• 原图偏大：会按等比例下采样，让总像素落到大约 800×800 这个量级。

800×800 是一个近似的目标像素密度，不是精确等尺寸——具体到长宽比不同的图，DeepSeek 内部会按算法调整。这一步是为了把不同源头、不同分辨率的图归一化，方便后续 tokenizer 处理。

这就带来一个非常反直觉的现象：一张 2000×2000 的图和一张 5000×5000 的图，缩放之后消耗的 token 数量基本一致。大图不会烧钱、原图不会更贵。你不用为了省 token 提前手动压缩图片。

4.3 一张图到底多少钱：算一笔细账

先把 V4-Flash 现行的价格摆出来（注意：AI 大模型的定价变动非常快，下面是写稿时的近似行情，请以 DeepSeek 官方定价页面的实时数据为准）：

以一张 1920×1080 的图为例，缩放后大概会占用 369 tokens。按高峰时段的输入价（约 3 元/百万 tokens）：

成本 = 369 × 3 / 1_000_000 元
     ≈ 0.001107 元
     ≈ 约 0.11 分钱

即便按单图 384 token 的封顶值算，一张图的输入成本也只有 0.001152 元，都不到一分二厘钱。

再放大一点看。假设你做一个日均 10 万次调用、每次带 1 张图的多模态 Agent 服务，一天光图片的输入成本是：

100000 × 384 × 3 / 1_000_000 ≈ 115.2 元

一个月大概 3500 元上下。加上文字部分和输出部分才是全部账单，但至少"图片带来的额外成本"不再是压死项目的稻草。这个价格结构真的比很多国内外多模态 API 都要友好。

4.4 官方还提供了一个 token 计算器

如果你想在动手前对不同尺寸的图心里有个数，DeepSeek 官方在 API 文档里给了一个图片 token 用量估算器。你把图片尺寸输入进去，它会告诉你这张图会被算成多少 token。也可以在自己本地按官方给的近似公式做一遍估算，方便你写成本预警脚本。

4.5 其它容易被忽略的限额

除了单图 token 上限，官方还给出了一堆"防炸参数"，我整理成一张速查表：

这些限额是很多新手栽跟头的地方。尤其是 Base64 内联传图，加上编码本身有 33% 左右的膨胀，一张原本 20MB 的高清图 Base64 之后就快 27MB 了，几张一起传立刻打爆 48MB 请求体上限。我的建议是：超过 5MB 的图，一律走 Files API。这也是下一章要展开讲的。

4.6 detail 参数：你可以自己选精度

官方还给了一个 detail 参数，用来控制图像细节的解析粒度：

• low：把图片 resize 到 512×512 处理，token 消耗最省，适合不需要精细视觉细节的场景（比如只是识别整体布局、大致内容）。
• high 或 original：保留更高分辨率的图，模型能看到更多细节，token 消耗更接近上限 384。

注意"保留原图"其实并不是完全不做处理——模型真正读图前，还是会按前述的 800×800 目标做一次缩放。所以 high 和 original 只是让你不主动降精度，不代表原图会按原始像素完整输入模型。

这个参数是个很实用的省钱开关。我的做法是：非视觉密集型任务（比如让模型看一张 dashboard 截图判断"上面有几个卡片"）用 low；视觉密集型任务（比如让它读一张图表的具体数据点）用 high。批量场景配合 low 再走 Files API 复用，成本能压得非常低。

五、三种 API 调用格式与三种传图方式：接入姿势全览

模型再强也要能接进去才算数。这一章我把 V4-Flash-Vision-Exp 的三种调用格式、三种传图方式全部拆开，用伪代码演示每一种的写法和适用场景。注意下面所有伪代码都做了通用化处理，去掉了 API key 硬编码和平台特有的封装，请以官方 SDK 和文档为准。

5.1 三种调用格式，你可以按老代码"平替"

官方直接给足了兼容性：

这三种格式在 OpenAI、Anthropic 生态里已经很常见，梁子等于把 DeepSeek 做成了一个"多协议兼容底座"。这意味着你原本用 GPT 家族或 Claude 家族的代码，理论上只要改两行就能直接跑起来跑 DeepSeek，几乎没有迁移成本。

5.2 三种传图方式，各有各的适用场景

再来是传图方式，同样是三选一：

• Base64 内联：把图片二进制编成 Base64 字符串，直接塞进请求体。适合图片小、一次性使用、对延迟不敏感的场景。
• 外部 URL 引用：给模型一个可公开访问的图片链接（比如 CDN URL、公开的 OSS 链接），模型自己去拉。适合图片已经在你的对象存储里、有公网可达链接的场景。
• Files API 上传后引用：先把图片上传到 DeepSeek 平台拿到 file_id，之后在请求里用 id 引用。适合同一张图会被反复引用、图片较大、多轮对话的场景。

Files API 本身是免费的，只有实际推理请求按 token 计费。这个设计对多轮多模态 Agent 特别友好——一张背景图上传一次，之后几十轮对话都不用再传字节流。

5.3 Chat Completions + Base64 内联的伪代码

这是最经典的写法，适合入门：

# 伪代码：Chat Completions 格式 + Base64 内联传图
# 请自行安装并替换为对应 SDK

import base64
from openai import OpenAI

client = OpenAI(
    api_key="<你的-DEEPSEEK-API-KEY>",
    base_url="https://api.deepseek.com/v1",
)

# 1. 读本地图片并做 Base64
with open("screenshot.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode("utf-8")

# 2. 发起对话请求
resp = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请描述截图里的关键 UI 元素与可能存在的问题"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{image_b64}",
                        "detail": "high",   # low / high / original
                    },
                },
            ],
        }
    ],
    temperature=0.3,
)

print(resp.choices[0].message.content)

几个新手容易犯的错：

• Base64 前面一定要带 data:image/png;base64, 前缀（或者对应格式的前缀），不然模型识别不出来是图。
• detail 字段决定 token 消耗，非视觉密集任务写 low 能省不少。
• 记得 Base64 传图受 32MiB 单图上限、48MiB 请求体上限约束，超了就换 Files API。

5.4 外部 URL 引用的伪代码

如果图片已经在你自己的 CDN 或者对象存储上：

# 伪代码：Chat Completions 格式 + 外部 URL 传图

resp = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "分析这张日报截图，提炼三个核心趋势"},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://your-cdn.example.com/reports/2026-08-21/daily.png",
                        "detail": "high",
                    },
                },
            ],
        }
    ],
)

注意事项：

• URL 必须公开可访问，不能是需要登录才看得到的私有链接。
• URL 长度别超 8,192 字符，签名 URL 太长的话考虑用短链服务。
• 强烈建议自己的 CDN 上给图片打上一个较长的缓存 TTL，避免模型每次都重新拉带宽。

5.5 Files API 上传 + file_id 引用的伪代码

Files API 是这次一起放出的一个大件，尤其适合多轮场景。使用流程分两步：

# 步骤 1：上传图片，拿到 file_id
uploaded = client.files.create(
    file=open("logo.png", "rb"),
    purpose="vision",  # 用途标记
)
file_id = uploaded.id
print("file_id:", file_id)

# 步骤 2：在后续请求里用 file_id 引用同一张图
resp = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "基于这个 logo 生成三种海报文案思路"},
                {
                    "type": "image_url",
                    "image_url": {"file_id": file_id},
                },
            ],
        }
    ],
)

一旦拿到 file_id，在这个会话乃至以后的多个请求里都可以复用它。Files API 上传本身不收费，只有实际调用模型推理的部分按 token 计费——所以对"同一张图在多轮对话里反复被引用"的场景，走 Files API 是省带宽、省重复上传时间的最佳姿势。

5.6 Anthropic Messages 格式的最小示例

老 Claude 用户可以几乎零改动迁移过来：

# 伪代码：Anthropic Messages 格式

import base64, requests

DEEPSEEK_MSG_ENDPOINT = "https://api.deepseek.com/anthropic/v1/messages"
API_KEY = "<你的-DEEPSEEK-API-KEY>"

with open("chart.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode("utf-8")

body = {
    "model": "deepseek-v4-flash-vision-exp",
    "max_tokens": 2048,
    "messages": [
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "请读出这张图表里 Q2 到 Q4 的数据"},
                {
                    "type": "image",
                    "source": {
                        "type": "base64",
                        "media_type": "image/png",
                        "data": image_b64,
                    },
                },
            ],
        }
    ],
}

r = requests.post(
    DEEPSEEK_MSG_ENDPOINT,
    headers={
        "x-api-key": API_KEY,
        "anthropic-version": "2023-06-01",
        "content-type": "application/json",
    },
    json=body,
)
print(r.json())

这里的关键是 content 里的每个块用 type: "image" 而不是 type: "image_url"，格式跟着 Anthropic 走。如果你的项目原本已经在跑 Claude，模型名换成 deepseek-v4-flash-vision-exp、endpoint 换成 DeepSeek 的 Anthropic 兼容地址，其余不用动。

5.7 主流 Agent 框架里怎么接

因为 V4-Flash-Vision-Exp 兼容 OpenAI 的 Chat Completions 格式，主流 Agent 框架接入几乎无痛：

• LangChain：把 ChatOpenAI 的 model_name 换成 deepseek-v4-flash-vision-exp，openai_api_base 指向 DeepSeek endpoint。
• AutoGen：同上，在 config_list 里换模型名和 base_url。
• CrewAI：在 LLM 配置里替换 provider 和 model 即可。
• LlamaIndex：OpenAI LLM 类替换 model 和 base_url。

多模态部分要注意一点：一些老版本 Agent 框架的消息结构还没适配"图文混合 content"这种数组形式，需要升级到最新版才能顺利传图。这个坑我踩过——升级前一直报 "invalid content format"，升级后立刻通了。

5.8 一个"错峰"的小技巧

DeepSeek 的定价对高峰时段和非高峰时段是分档的。非高峰时段（一般是 UTC 深夜到早晨的时段，对应北京时间的白天和傍晚部分）价格是高峰时段的一半左右。

如果你做的是可以异步、批量处理的任务，比如离线分析、每日报表生成、大批量图片打标签，排到非高峰时段跑，成本能直接砍一半。