刚刚，DeepSeek多模态API模型正式上线，名为DeepSeek-V4-Flash-Vision-Exp。该模型现已开放API调用。更令人惊喜的是，图片输入上限为384个token，计费价格与V4-Flash完全一致。在竞品需要额外付费的多模态能力上，DeepSeek直接将其作为赠品提供，而且是满配版。V4-Flash如今“长”出了眼睛！在纯文本方面，集成视觉能力的V4-Flash-Vision-Exp表现反而更强，在七项Agent评测中六项超越了V4-Flash-0731。在多模态能力上，它甚至一度超越了硅谷的顶级模型。凭借如此强大的能力，开发者再也不用为了“看图”而接入第二个模型了。
我们也在Agent框架中直接调用了该模型。首先，我们向它投喂了一张OpenAI官网的截图，要求其1:1复刻。提示词要求如下：将截图复刻为可运行的单文件HTML（内联CSS/JS，无外部依赖）；第一步先描述布局结构、字体、主色调（Hex值）、间距节奏，再编写代码；所有文案必须照抄，不得编造；还原交互效果，包括Hover态、滚动渐入和按钮质感；并确保在375px窄屏下不崩坏。这项任务的难点在于，不仅要“认出”图片内容，还要将其拆解为布局、色值、间距和字重，并翻译成代码。结果显示，V4-Flash-Vision-Exp复刻出的网站几乎一模一样。
接着，我们给出了一个截然不同的题目：制作一份精品咖啡烘焙工坊的B端合作PPT。要求仅提供浅烘单品豆，最小起订量为五公斤。核心调性强调手作、较真与固执——拒绝谈论“第三波咖啡浪潮”等行话，而是聚焦于每一支豆子经过多少次烘焙才确定曲线。视觉风格需粗粝、有质感，像印刷品而非PPT，摒弃性冷淡北欧风和Ins风构图。由于目标受众是懂豆子的独立咖啡馆主理人，专业细节必须扎实，最终需呈现三档真实的供货方案，配图使用烘焙车间和生豆特写。此次，V4-Flash-Vision-Exp交出了一份11页的B端提案。浅烘单品豆、五公斤起订、三档方案，无一遗漏。更难得的是其分寸感：全文未涉行业黑话，也无科普性质的内容。从一句模糊的需求出发，输出了一份可直接发给客户的成品。
成本优势极其惊人。根据TokenMix的视觉API横评，对于同一张1024×1024的图片：Claude Sonnet 4.6消耗1334个Token，千张图收费4美元；GPT-5.4 Vision消耗765个Token，收费1.9美元；Gemini 3.1 Pro消耗258个Token，收费0.5美元。折合人民币，最贵的一档接近29元。相比之下，DeepSeek的封顶Token数为384。配合V4-Flash仅3元/百万Token的输入价格，低谷时段更是五折。这意味着，同样一千张图，DeepSeek的输入成本仅为1.15元，低谷时段甚至不到6毛。29元与1.15元相差25倍；低谷时段则相差50倍。毫不夸张地说，一张图一块钱和一张图三十块，代表了两种完全不同的产品设计。前者迫使开发者思考“这一步到底要不要看”，而后者则允许Agent在每一步都截图。
仅仅八天，DeepSeek补齐了最后一块拼图。8月13日，DeepSeek Harness开源，原生支持Responses API，Agent的运行时基础已夯实。8月21日，视觉能力上线，同样支持Chat Completions、Messages、Responses三种调用格式，模型的输入端也准备就绪。同日，Harness发布0.1.1版本，开箱即支持新模型，适配代码一行无需编写。图片输入也提供了三条路径：base64内联、外部URL和Files API。其中Files API今天同步开放且免费，上传一次后使用file_id引用，同一张图无需重复上传。对于需要反复查看设计稿、报表或页面截图的Agent而言，这节省了每一轮交互的成本。