DeepSeek上线多模态API，视觉Agent能力接近Opus-4.8

深度求索于8月21日推出多模态视觉理解模型 DeepSeek-V4-Flash-Vision-Exp，并已上线其 API 平台。该模型支持在文本之外输入图片，可完成图片描述、截图文字识别、图表分析等任务，兼容 JPEG、PNG、GIF、WebP 格式。

官方称，该模型在各类 Agent 框架中展现出良好的多模态适配能力，有助于用户借助多样化工具解锁更多实用场景。作为实验性质模型，用户可通过设置 model='deepseek-v4-flash-vision-exp' 进行访问。

在纯文本能力（如 Agent、推理、世界知识）方面，该模型与 DeepSeek-V4-Flash 正式版持平；而在需要视觉理解的 Agent Benchmark 上，其表现大幅跃升，多模态 Agent 能力已接近 Opus-4.8。

API 服务中，图片会转换为 token 后计费，单张图片最多占用 384 tokens，价格与 V4-Flash 模型一致。多模态 API 支持 Chat Completions、Messages、Responses 三种调用方式，可接入各类 Agent 工具，支持图文混合输入，并提供 base64 内联、外部 URL、Files API 三种图片传入方式。

Files API 现已开放且免费，用户可先上传图片至平台，再在请求中通过 file_id 引用，从而节省请求带宽（同一图片在多个请求中无需重复上传）。