DeepSeek发布实验性多模态Flash视觉模型，智能体基准测试逼近Opus 4.8

DeepSeek正式推出实验性多模态模型V4-Flash-Vision-Exp，该模型在V4-Flash原有文本推理与世界知识能力的基础上，新增了图像处理功能。DeepSeek表示，视觉能力的引入并未对基础模型的文本性能造成明显影响。在公司内部的多模态智能体基准测试中，这一视觉版本的得分已接近Anthropic的Opus 4.8，在部分任务上甚至能够超越后者，展示出较强的竞争力。

从定位来看，DeepSeek将V4-Flash-Vision-Exp主要面向基于智能体的应用场景。模型设计上支持与多种智能体框架协同工作，能够将视觉理解与工具调用相结合。实际使用中，它可以描述图像内容、从截图中提取文字、分析图表结构。值得注意的是，模型通过读取文件实际内容来判断图像格式，而非依赖文件名或声明的MIME类型，这在一定程度上提升了处理的鲁棒性。

在API兼容性方面，V4-Flash-Vision-Exp支持OpenAI的Chat Completions和Responses API，同时也兼容Anthropic的Messages端点，为已在使用上述接口的开发者提供了低成本的迁移路径。与此同时，DeepSeek同步发布了Harness框架的0.1.1版本，该版本开箱即用地支持新模型，进一步降低了开发者的集成门槛。

图像输入方面，开发者可通过三种方式向模型发送图像：直接嵌入Base64编码、提供公开可访问的URL（最大32 MiB），或使用新推出的免费Files API。Files API允许开发者一次上传文件后通过ID在多次请求中复用，单文件上限为64 MiB。模型在处理前会自动将图像归一化至约800×800像素，并提供可选的「detail」字段将图像缩小至512×512像素以节省token消耗。

在资源限制与定价方面，无论原始分辨率如何，每张图像最多消耗384个token，定价与V4-Flash保持一致。单次请求最多可包含600张图像，每边最大像素为8192，但当请求中图像数量达到15张或以上时，最大边长将降至4096像素。图像目前仅能出现在用户消息中。这一系列设计在灵活性与成本控制之间取得了一定平衡，适合大规模视觉智能体应用的落地部署。

要点

• DeepSeek-V4-Flash-Vision-Exp在保留原有文本推理能力的同时新增图像理解，在内部多模态智能体基准测试中已接近甚至超越Anthropic Opus 4.8。
• 模型兼容OpenAI和Anthropic主流API端点，并与Harness框架0.1.1版本原生适配，开发者集成成本较低。
• 图像输入支持Base64、URL和免费Files API三种方式，每张图像最多消耗384个token，定价与V4-Flash一致。
• 单次请求最多支持600张图像，但图像数量超过15张后最大边长限制将从8192像素降至4096像素。
• 该模型主要面向视觉智能体工作流，能够结合图像理解与工具调用，适用于截图文字提取、图表分析等场景。