8 月 21 日，DeepSeek V4-Flash-Vision-Exp 正式上线 API 平台，多模态能力接近 Opus-4.8，定价与 V4-Flash 一致，纯文本能力不降级。每张图片仅消耗 384 个 token，不到竞品一半。
DeepSeek 此次上线的 Vision-Exp 不是"为看图牺牲了文本能力"的特化模型，而是在 Flash 基础上叠加了视觉理解。官方强调，在 Agent、推理、世界知识等纯文本基准上，Vision-Exp 与 V4-Flash 正式版持平。
它与传统多模态方案的区别在哪里？
将整张图拆成密集的图像 patch，每张图消耗 800–1100 个 token，视觉成本高，且常伴随文本能力下降。
基于"Thinking with Visual Primitives"框架，将视觉元素压缩为空间坐标式原语，384 token 完成理解，纯文本能力完整保留。
注：Files API 允许开发者先上传图片获取 file_id，同一张图多次调用无需重复传输，适合 Agent 工作流。
更关键的是，DeepSeek 选择先在 Flash 上试水视觉能力，而非旗舰 Pro。284B 参数的 MoE 模型推理成本远低于 1.6T 的 Pro，让多模态调用在经济上真正可行——每张图 384 token 的消耗，叠加 Flash 的低价基底，意味着开发者可以用极低的成本规模化使用视觉理解。
我们做了两个测试，从"看懂"到"动手"——视觉理解与代码生成叠加时，AI 能做的事情比单独拥有任何一项要多得多。
一个值得注意的产品决策是：DeepSeek 选择先在 Flash 上试水视觉能力，而不是旗舰 Pro。这不是能力不足，而是经济性与节奏感的双重考量。
从成本看，Flash 是 284B 参数的 MoE 模型，推理成本远低于 1.6T 的 Pro。每张图片至少 384 token 的输入预算，如果叠加在 Pro 的定价上，成本会迅速膨胀。Flash 的低价基底让多模态调用在经济上可行。
从节奏看，就在前一天，DeepSeek Harness 框架刚发布了 RC.8 版本，新增了原生图片请求的支持。Harness 在框架层打通了多模态 Agent 的管道，Flash Vision 在模型层补上了视觉理解的引擎——
回看这四个月的多模态补课时间线：4 月底灰度识图模式，5 月大范围开放网页端，6 月全量上线 App，8 月 Harness 框架支持多模态，同一天 Flash Vision API 开放——每一步都踩在前一步的基础上。没有发布会，只有一个带着"Exp"后缀的模型名，悄悄把门推开。
测试中遇到了一个熟悉的问题。在开启默认的 thinking 模式时，模型的推理 token 会疯狂膨胀，吞掉全部输出预算。
数字说明一切：
在场景理解测试中，我们观察到 2001 个 completion token 里，2001 个全是 reasoning token——实际输出为零。模型想了半天，一个字都没说出来。
设置 reasoning_effort: "none" 关掉思考模式。关掉后，同一个测试从 23 秒缩短到 7.9 秒，输出完整且质量上乘。如果必须保留 thinking，请设置足够大的 max_tokens，否则大概率拿到空响应。
这已经是连续两个版本复现的同一个问题（V4 Pro 正式版 + Flash Vision Exp）。经验替你踩过了。
对于正在构建多模态 Agent 的团队来说，一个 token 消耗不到竞品一半、纯文本能力没有降级的视觉模型，可能是当下性价比最高的选项。只是，别忘了关掉 thinking 模式。
多模态能力正在从"锦上添花"变成"能不能干活"的前提。DeepSeek 选择在 Flash 上以低成本低门槛先铺开视觉能力，而不是等 Pro 准备完美再发布——这个"Exp"后缀背后，是实用主义对完美主义的胜利。对于开发者，性价比最高的多模态入口已经打开，但工具链的成熟度（如 thinking 模式的兼容问题）仍是需要自己填的坑。
API 平台已开放，开发者可通过设置 model='deepseek-v4-flash-vision-exp' 直接调用，支持 base64 内联、外部 URL、Files API 三种图片传入方式。
DeepSeek API 平台 → 选择 Vision-Exp* 体验入口以官方最新公告为准