AREX Feed Article
DeepSeek-V4-Flash-Vision-Exp 上线：首个视觉理解 API，官方称逼近 Opus-4.8
8 月 21 日 09:17:38Z（北京时间 17:17），DeepSeek 官方 X 账号（@deepseek_ai，110 万粉丝）宣布 DeepSeek-V4-Flash-Vision-Exp 上线 DeepSeek API 平台，以 model='deepseek-v4-flash-vision-exp' 调用。称，这个实验性多模态模型在文本能力（agent、推理、世界知识）上与 DeepSeek-V4-Flash 持平，多模态 agent 基准较 V4-Flash 大幅跃升、接近 Claude Opus-4.8；DeepSeek Harness 0.1.1 当日发布并开箱即用支持该模型。同日确认视觉理解 API 上线，并同步推出免费的 Files API。
官方在公告页公开了一张基准对比图，把「接近 Opus-4.8」落到具体分数：Agents' Last Exam 27.3 对 25.7，ZeroBench 35.0 对 34.0，DeepSWE 59.3 对 58.0。需要先说明边界：这些是 DeepSeek 自报的基准，还没有第三方复现。
官方基准图里的「接近」具体是多少
图里共 11 项评测，分两组：7 项文本 agent 任务（Terminal Bench 2.1、NL2Repo、Cybergym、DeepSWE、Toolathlon-Verified、DSBench-Hard、AutomationBench）和 4 项多模态 agent 任务（ApexBench、Agents' Last Exam、Chartography、ZeroBench）。
多模态组里，Vision-Exp 在 Agents' Last Exam（27.3 对 25.7）和 ZeroBench（35.0 对 34.0）两项超过 Opus-4.8，Chartography 64.3 对 65.0、ApexBench 36.5 对 39.4 两项落后。文本组里 DeepSWE 59.3 对 58.0 反超，但 NL2Repo 57.7 对 69.7、DSBench-Hard 63.6 对 71.7 差距明显。「接近」因此是部分项领先、整体仍差一截的状态。与同门文本模型 V4-Flash-0731 相比，Vision-Exp 在有数据的 9 项里 8 项更高，唯一略低的是 Cybergym（75.3 对 76.7），「文本能力持平」的说法与图上数字基本吻合。
图的注脚交代了评测方式：文本 agent 任务用 DeepSeek Harness Minimal Mode 作为测试框架（top_p=0.95、temperature=1.0、max tokens 取最大）；另一条注脚说明，ApexBench 和 Agents' Last Exam 中，纯文本的 V4-Flash 会忽略其中的多模态元素；Chartography、ZeroBench 两栏对 V4-Flash-0731 直接没有数据，因为它不能看图。社区也提醒了「自报」这一点：有用户在转发中写道，对标 Opus-4.8「是 DeepSeek 自家 benchmark 报的，第三方还没复现」，Exp 后缀意味着实验版，「生产环境先别急着切」。
每张图最多 384 token，按 Flash 价计费
这次的计费逻辑是「图片折成 token」。写明，推理前图片会被自动缩放，总像素接近 800×800，每张图最多折算 384 token，与文本 token 合并计费；支持 JPEG、PNG、GIF、WebP，单次请求最多 600 张图，且图片只能放在 user 消息里，放进 system 或 assistant 消息会返回 400。文档还写明，deepseek-v4-flash-vision-exp 是当前 API 上唯一接受图片的模型，其他模型会返回 400「This model does not support image」。这是 DeepSeek 官方 API 第一次开放图片输入。
显示，视觉模型与 V4-Flash 完全同价：输入（缓存未命中）每百万 token 0.22 美元（错峰）/ 0.44 美元（高峰），输出 0.66 / 1.32 美元，缓存命中的输入最低 0.007 美元；上下文 1M，最大输出 384K，并发限额 2500。高峰时段为 UTC 01:00–04:00 与 06:00–10:00，其余时间半价。这张价格表一周前刚变过：路透社 8 月 13 日报道，DeepSeek 将对 V4-Pro 与 V4-Flash 上调 API 价格，涨幅按模型、token 类型与时段在 50% 到 1100% 之间，8 月 17 日生效。视觉模型按涨价后的 Flash 价计费，仍是平台上最便宜的一档。
传图有三种方式：base64 内联（单图上限 32 MiB）、外部图片 URL（最长 8192 字符）、Files API 的 file_id（单图上限 64 MiB）。Files API 当天免费上线，图片上传一次后可按 file_id 反复引用，官方称能省请求带宽。接口层面，除 OpenAI 兼容的 Chat Completions 与 Responses API 外，还支持 Anthropic 兼容的 /messages 端点，官方称模型在各 agent 框架间工作顺畅。
官宣前两小时，Harness 0.1.1 已把模型接好
Vision-Exp 进入官方工具链的时间比官宣更早。显示，v0.1.1-rc.1（pre-release）发布于 8 月 21 日 07:12:39Z（北京时间 15:12），比官方推文早约两小时，是模型接入官方 agent 框架生态的最早可确认时间戳之一。发布说明里，DeepSeek 适配器新增 DeepSeek-V4-Flash-Vision-Exp 多模态适配器（@LegGasai 提交），同时修复了一个沙箱逃逸漏洞：Bubblewrap 沙箱内的受限进程此前可经 /proc/、/root 绕过限制（@Kingwl 修复）。同版本还包含输入框 @ 引用排版修复、会话 Markdown 表格自适应、ask_user_question 多行输入等改动。
推文第二条（2/n）补充说，模型把视觉理解与工具调用结合，能解锁更多实际工作流。配合基准图注脚里「用 Harness Minimal Mode 评测自家模型」的说明，这次发布的路数很清楚：模型、计费规则、官方 agent 框架支持在同一天到齐，瞄准的是多模态 agent 场景，看图聊天只是其中一类用例。
「终于有眼睛了」：社区反应与当日落地
截至本文核验时，主推文累计 6,425 个赞、598,479 次浏览、573 条引用。回复里，用户 @imhaoyi（Yi）写道「Finally, DS had eyes」。Hacker News 上，相关帖子约两小时拿到 172 分、37 条评论。用户 LorenDB 描述了此前文本版的问题：V4-Flash-0731「经常假设自己有视觉能力，在发现自己其实看不见后，现场编造基于文本的图像分析工具」，他不得不让模型别去看截图，「所以这是个大升级」。另一名用户说自己为图片输入切到 Opus 4.6，「糟糕透了」，现在 DeepSeek 终于能看图。
有用户直接给出对比数字：Kyros 转发称「给便宜模型装上眼睛后，它开始赢 Opus-4.8」，列出的 DeepSWE 59.3 对 58.0、Agents' Last Exam 27.3 对 25.7、ZeroBench 35.0 对 34.0 与官方图一致。Google Developer Expert Vin Lim 的反应更谨慎：多模态「肯定会改变游戏」，但「得自己跑一遍评测才能确认，期望很高」，他还提到即便经历了一周前的涨价，这个模型的成本仍「激进地有竞争力」。
当天就有两个落地案例：CommandCodeAI 的 CEO Ahmad Awais 在评论区宣布「正在把它上线到 CommandCodeAI」，LobsterAI 也宣布同步接入该模型。讨论最集中的限制是 800×800 的缩放上限：有 HN 用户认为「会杀死一大批用例」，也有人建议给模型加一个按坐标放大图片的工具来绕过。
自报基准与开源权重：两个还没有答案的问题
「接近 Opus-4.8」目前只有 DeepSeek 自己的基准图支撑，社区用户已提醒第三方复现还没出现。HN 上有人直接问「会开源权重吗」，也有用户猜测会（「开源一直是 DeepSeek 的传统」），但官方公告、API 文档与 Harness 发布说明都没有提及权重计划。DeepSeek 2024 年 12 月曾开源过视觉语言模型 DeepSeek-VL2（权重在 HuggingFace 可查），而官方 API 直到这次才开放图片输入。模型现在能调、价格按 Flash 档、官方工具链当天接入。剩下的两个可观察答案，是独立评测能否复现「接近 Opus-4.8」，以及权重会不会开源。