刚刚，多模态版DeepSeek「长眼」了！1000张图只要1块钱

名字叫DeepSeek-V4-Flash-Vision-Exp，API现在就能调。

更狠的是，一张图片最多占384个token，计费价格与V4-Flash完全一致。

在别家要单独算钱的多模态能力，在DeepSeek这里直接变成了赠品。

而且，还是满配版的。

V4-Flash，现在有眼睛了！

纯文本方面，加了视觉的V4-Flash-Vision-Exp反而更强了。

在七项Agent评测里，有六项都超过了V4-Flash-0731。

多模态方面，更是一度干掉了硅谷顶流模型。

有了如此强大的能力，对开发者来说，再也不用为看图去接第二个模型了。

上手试一把

我们也在Agent框架里直接调了DeepSeek-V4-Flash-Vision-Exp。

首先，丢给它一张OpenAI官网的截图，让它1:1复刻。

Prompt是这么写的：

把这张截图1:1复刻成一个可运行的单文件HTML（内联CSS/JS，不许用任何外部依赖）。

要求：

1. 先逐块描述你看到的布局结构、字体族猜测、主色值（给hex）、间距节奏，再写代码；

2. 所有文案照抄截图里的原文，不要自己编；

3. 复刻交互：hover态、滚动渐入、按钮质感都要还原；

4. 响应式，窄屏375px下不能崩。

这活儿难就难在，它不只是「认出图里有什么」。还要把一张图拆成布局、色值、间距、字重，再一行行翻译成代码。

从结果来看，V4-Flash-Vision-Exp复刻出的网站简直一模一样！

接着，我们又出了一道完全不同的题：让它做一个精品咖啡烘焙工坊的B端合作PPT。

帮我做个精品咖啡烘焙工坊的B端合作PPT，我们只做浅烘单品豆，不做拼配不做商用豆，一次最小起订量只要五公斤。核心调性：手作、较真、有点固执——不谈第三波咖啡浪潮这种行业黑话，谈的是每一支豆子我们烘了几遍才定下曲线。视觉风格要粗粝、有材质感、像一本印刷品而不是PPT，拒绝性冷淡北欧风、拒绝ins风构图。PPT发给独立咖啡馆主理人，他们比我懂豆子，所以专业细节一个都不能虚，最后给到三档真实的供货合作方案，配图用烘焙车间和生豆特写质感。

这次，V4-Flash-Vision-Exp交出来的是一份11页的B端提案。浅烘单品豆、五公斤起订、三档供货方案，一样不落。

更难得的是分寸：全篇没往行业黑话上靠，也没有一句是写给外行看的科普。

一句模糊的需求进去，一份能直接发给客户的东西出来。

文本拉满，视觉起飞

一厘钱是什么概念。

根据TokenMix的视觉API横评，同一张1024×1024的图，Claude Sonnet 4.6要吃掉1334个token，一千张图收你4美元；GPT-5.4 Vision则是765个token，1.9美元；Gemini 3.1 Pro为258个token，0.5美元。

折成人民币，最贵那档接近29块。

相比之下，DeepSeek这边给的是一个封顶值：384。

外加V4-Flash的输入价只要3块/百万token，低谷时段再打五折。

也就是说，同样一千张图，DeepSeek的输入成本只有1.15 元，谷时更是不到6毛。

29块和1块1，差了25倍；挪到谷时，直接差了50倍。

毫不夸张地说，一千张图三十块和一千张图一块钱，是两种产品设计。

前者你得想清楚「这一步到底要不要看」，后者你可以让Agent每跑一步都截个屏。

八天，补上最后一环

8月13日，DeepSeek Harness开源，原生支持Responses API——Agent的运行时，铺好了。

8月21日，视觉上线，同样支持Chat Completions、Messages、Responses三种格式调用——模型的输入端，也铺好了。

同一天，Harness跟着发了0.1.1，开箱即支持新模型，适配代码一行不用写。

图怎么进来，也备了三条路：base64内联、外部URL、Files API。

其中Files API今天同步开放，不收费。传一次，之后用file_id引用，同一张图不用重复上传。

对于要反复看同一张设计稿、同一份报表、同一个页面截图的Agent来说，这省下的是每一轮的往返成本。

参考资料：

https://x.com/deepseek_ai/status/2090730032574631962

编辑：摩西 所罗门