DeepSeek加速佈局多模態。8月21日，公司上線實驗性視覺理解模型DeepSeek-V4-Flash-Vision-Exp，在保留原有文本能力的基礎上增加圖像理解能力，並向開發者開放API。
從公司公布的測試結果看，新模型在Agent、推理、世界知識等純文本任務上的表現與DeepSeek-V4-Flash基本相當；在視覺理解類Agent基準測試中，性能較前代明顯提升，已逼近Opus-4.8。
與此同時，DeepSeek上線免費的Files API，並發布DeepSeek Harness 0.1.1，為新模型提供接入支持。此次更新進一步擴展了DeepSeek API的應用範圍，開發者可以在Agent框架中處理圖文混合任務。
文本能力基本持平，視覺理解明顯增強
DeepSeek-V4-Flash-Vision-Exp定位為實驗性模型，重點是在增加視覺能力的同時保持文本性能。
DeepSeek表示，在Agent、推理和世界知識等純文本任務上，新模型與V4-Flash正式版表現持平；在需要視覺理解的Agent基準測試中，性能則實現明顯提升。
需要注意的是，DeepSeek在測試中使用DeepSeek Harness極簡模式框架，並採用max檔位、temperature=1.0、top-p=0.95等參數。由於V4-Flash在ApexBench和Agents' Last Exam的測試中會忽略多模態元素，因此視覺任務上的兩代模型對比並非完全同口徑。
多模態能力面向Agent場景，API價格與V4-Flash一致
DeepSeek展示了新模型在多類Agent任務中的應用，包括根據需求生成面向高淨值客戶的西藏自駕遊PPT、對網站進行多輪交互式創作，以及生成帶有動態視覺效果的前端Mini Demo。
這些案例主要體現了模型對圖像和文本信息的綜合理解能力，以及在多輪交互任務中的應用潛力。
在API計費方面，V4-Flash-Vision-Exp沿用V4-Flash的定價。圖片輸入將轉換為token計費，單張圖片最多佔用384個token。API支持Chat Completions、Messages和Responses三種調用格式，圖片可通過base64、外部URL或Files API傳入。
同期上線的Files API目前免費。開發者可提前上傳圖片，並在後續請求中通過file_id調用，以減少重複上傳。DeepSeek同時發布DeepSeek Harness 0.1.1，為新模型提供開箱即用的Agent接入支持。