这条消息有两个关键时间点，先厘清以免混淆：

2026-08-21：DeepSeek 上线 deepseek-v4-flash-vision-exp，开发者首次能用 API Key 传图给 DeepSeek 看 [citation:18.1]

2026-09-10：DeepSeek 发布 V4.1 Flash，原生多模态正式版，视觉 exp 模型退役 [citation:18.3][citation:18.6]

今天（09-18）：知乎/InfoQ 上有文章在做这件事的深度复盘 [citation:18.8]

你看到的「刚上线」应该是今天那篇复盘文——实际上视觉 API 已经上线快一个月，而且已经从 exp 版本进化到正式版了。

---

核心信息拆解

模型与定价

| 项目 | 数值 |

|------|:----:|

| 模型名 | deepseek-v4-flash-vision-exp → 已被 V4.1 Flash 正式版取代 |

| 定价模式 | 图片转 token，每张图最多 384 tokens，按 V4-Flash 文本价计费 |

| 折合单价 | 约 0.001 元/张（1000 张图 ≈ 1 块钱） |

| 纯文本能力 | 与 V4-Flash 正式版持平，加视觉没牺牲文本 |

[citation:18.1][citation:18.11][citation:18.15]

性能定位

在需要视觉理解的 Agent Benchmark 上，相比纯文本 V4-Flash 大幅提升，多模态 Agent 能力接近 Opus 4.8。 [citation:18.11]

---

这件事为什么值得注意

不是「多了个识图功能」，是 Agent 终于能看

之前在 DeepSeek 的生态里，Agent 是个「盲人」——文本推理强到飞起，但面对截图、表格、UI 界面、流程图只能干瞪眼。开发者要在 Agent 里加视觉能力，得自己套一层 OCR + 描述模型，贵且麻烦。

现在 API 原生支持图像输入了：

from openai import OpenAI

client = OpenAI(apikey="...", baseurl="https://api.deepseek.com")

response = client.chat.completions.create(

 model="deepseek-flash", # V4.1 Flash

 messages=[{

 "role": "user",

 "content": [

 {"type": "text", "text": "这张截图里的错误是什么？"},

 {"type": "imageurl", "imageurl": {

 "url": "data:image/png;base64,..." # 或 URL

 }}

 ]

 }]

)

价格才是真正的变量

1000 张图 1 块钱，意味着 Agent 看图的边际成本几乎可以忽略。对比：

| 场景 | 传统方案 | DeepSeek 视觉 API |

|------|---------|-----------------|

| 批量 OCR 发票 | 第三方 OCR 服务 ~0.05 元/张 | ~0.001 元/张 |

| UI 截图自动分析 | 截图→GPT-4o→分析（~$0.01/张 ≈ 0.07 元） | 0.001 元 |

| 文档扫描件理解 | OCR + 模型，双重开销 | 塞进去一次出结果 |

对于一个需要每天处理几万张截图或扫描件的 Agent 任务，成本差距是数量级的。

---

但有两个坑要注意

第一个：exp 版本已退役

你现在已经不应该调 deepseek-v4-flash-vision-exp 了。9月10日 DeepSeek 发布了 V4.1 Flash，原生多模态正式版，模型名直接用 deepseek-flash，不用单独指定视觉模型。 [citation:18.6]

第二个：识图能力有上限

8 月刚上线时实测暴露过问题——人脸识别把人认错（梁文锋认成张一鸣），复杂图表偶尔翻车。exp 版毕竟只是实验版。 V4.1 Flash 正式版 有没有解决这些问题，目前公开的实测数据还不多。

---

对 Agent 工程的意义

如果你把我们之前聊的 Codex 记忆机制、SKILL 微创手术、RAG PDF 解析串起来看，DeepSeek 视觉 API 补上的是一个关键空缺：

Agent 能力矩阵

 ├── 文本理解 ✅ 已强（DeepSeek V4 本身就是文本王者）

 ├── 长期记忆 ✅ Codex 两阶段流水线

 ├── 代码执行 ✅ CLI Agent 生态

 ├── 文档读取 ⚠️ 文本 PDF 可以，但图文混排 PDF 要靠——

 └── 视觉理解 ✅ 现在补上了（0.001 元/张，批量不心疼）

最直接的场景：

Agent 看截图写代码：UI 原型图 → 自动生成前端代码

Agent 分析扫描件：合同 PDF → 识别表头、盖章区、手写签名 → 结构化输出

Agent 做自动化测试：截断言失败页面 → 识别错误提示 → 自动修 bug

结合 RAG：文档里的图表 + 说明文字统一进入向量库，而不是光靠文本

每一类都恰好是你之前关心过的——RAG 管线、PDF 解析、Agent 自动化。0.001 元/张的价格，意味着这些场景的实验成本降到了可以不纠结直接试用的水平。