DeepSeek发布V4 Flash Vision实验性多模态模型，视觉能力对标Opus 4.8

8月23日，DeepSeek正式推出实验性多模态模型deepseek-v4-flash-vision-exp，为其V4 Flash产品线首次引入图像理解能力。该模型支持JPEG、PNG、GIF和WebP格式的图片输入，可通过base64编码、URL引用或Files API三种方式传递图像，上下文窗口维持100万token，最大输出384K token。

在性能表现上，DeepSeek自测数据显示该模型在Deep Sway基准得分59.3，略高于Anthropic Opus 4.8的58分；在Agent Last Exam测试中取得27.3分，领先Opus 4.8约2个百分点。不过在Terminal Bench 2.1和Apex Bench等评测中仍落后于Opus 4.8。这些数据来自厂商自测，尚未经过独立第三方验证。

定价方面，该模型与V4 Flash保持同一档位，图片按尺寸转换为input token计费，无额外图片附加费。工作日高峰时段按高峰费率计算，其余时段执行低谷价。模型当前标记为实验性质，并发限制为2500。

该模型的发布意味着DeepSeek正在从纯文本推理赛道向多模态Agent领域扩展。低成本的视觉输入处理能力，使开发者可以构建截图解读、文档自动化、UI工作流执行等应用场景，进一步压缩了企业部署多模态AI的门槛。

【AICOR 点评】 DeepSeek以Flash产品线的成本结构承载视觉能力，释放出明确的信号：多模态不再是旗舰模型的专属特权，而是正在快速基础设施化。对于企业AI重构而言，这意味着视觉理解能力将从可选模块变为标配组件。当Agent可以低成本地看屏幕、读文档，人机协同的交互界面将发生根本性变化——未来的企业AI Agent不仅会说和想，更会看和做。