作为国内最知名的AI模型之一，DeepSeek一直是个「偏科生」：在文本推理这块确实强的离谱，但一遇到图片就瞬间拉闸，可以说是让小雷又爱又恨。

但就在8月21日，DeepSeek正式发布多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp，API同日开放，手机端的识图模式也开启了体验。

（图片来源：DeepSeek官方）

根据官方介绍，DeepSeek-V4-Flash-Vision-Exp在Agent、推理、世界知识这些纯文本能力与V4-Flash正式版持平，原本的优势都保留了。它真正变化的是视觉理解：在需要视觉理解的 Agent 基准测试里，新模型相比V4-Flash大幅提升，官方表示是「多模态 Agent 能力已接近 Opus-4.8」。

（图片来源：DeepSeek官方）

官方提供了三个演示案例，其中最显眼莫过于PPT 生成：在 Agent 框架下做一份商业定制的西藏自驾游方案，要「野性、原始、探索感」的调性，给出三种带真实定价的方案，配图还得是实拍质感。其余两个分别是重设计官网和生成前端动态特效 Demo。

（图片来源：DeepSeek官方）

至于大家在意的如何调用API，官方也提供了详细的说明，我们只需把 model 参数设为DeepSeek-V4-Flash-Vision-Exp就行。

（图片来源：DeepSeek官方）

这时图片会转成 token 计费，一张图最多占 384 个 token，单价和 V4-Flash 完全一致。图片传入除了常见的 base64 内联和外部 URL，还有同步开放的 Files API：图片上传一次，后续用 file_id 引用，同一张图在多个请求里不用重复上传，这项服务还不收费。

不过模型名里带着「Exp」，说明这只是实验版本，离正式版还有距离。不过回想V4-Flash前段时间刚在Arena.ai前端编码榜上首次超过Opus 4.8，现在又把视觉理解补上了，小雷觉得DeepSeek今年的节奏确实快。

（图片来源：AI生成）

可以说DeepSeek的短板这次算是补上了，接下来就看 Agent 场景能挖出多少真需求，那才是对它真正的考验。