摘要：DeepSeek首款多模态视觉模型上线API平台，纯文本能力无损，视觉Agent逼近Opus-4.8，单图成本低至约0.001元。

产联社编辑丨开蓉蓉

【产联社】V4-Flash-Vision-Exp 上线，开启多模态 API 服务。8月21日，DeepSeek正式向开发者开放多模态视觉理解模型的API接口。这是该公司首次推出视觉类模型，表明此前以高性价比纯文本模型立足市场的DeepSeek，已正式加入多模态商用赛道的角逐。同日上线的Files API免费向用户开放，支持图片上传后通过file_id多次引用，避免重复上传带来的带宽消耗。

图片来源：DeepSeek公众号

当前全球多模态API市场由OpenAI、Anthropic和Google主导，三强定价体系相对固化，GPT-4o单张图片成本约为0.014至0.036元人民币，调用量保持高速增长。DeepSeek选择此时入场，目标明确，即以技术对标头部、以价格撬动份额。

文本能力不降，视觉能力补齐

DeepSeek将新模型定位为实验版本。在纯文本任务上，其表现与正式版DeepSeek-V4-Flash持平。常见做法中，多模态模型常因视觉编码器的引入而对文本能力造成一定损耗，DeepSeek通过训练策略与架构设计维持了文本侧的稳定。

视觉理解能力则是实质性突破。在多项多模态Agent基准测试中，新模型相较纯文本版V4-Flash实现明显跃升，多模态Agent综合能力已接近Opus-4.8。

在Terminal Bench 2.1测试中，新模型得分83.9，逼近Opus-4.8的85.0；Chartography图表理解得分64.3，与Opus-4.8持平；最具挑战性的ApexBench（Pass@1）得分为36.5，较纯文本版V4-Flash的26.2提升近四成。测试采用严格对照，纯文本版V4-Flash在测评中忽略多模态元素，以保证结果可比。这一组数据说明，DeepSeek的视觉能力并非浅层拼接，而是通过多模态融合架构实现了实质优化。

面向Agent工作流

官方展示的案例指向实际生产力场景：在Agent框架下生成"西藏高端自驾游"PPT，包含信息检索、配图、版式设计及三档定价方案；根据"黑蓝深海、玻璃UI、ASCII原子像素"等视觉指令，经过多轮交互重构DeepSeek Harness官网，输出可部署代码；依据"3D黏土怪物加入复古舞池"创意描述，生成动态前端特效Demo。

这些示例分别对应商务文案、网页重构、创意开发等真实需求。DeepSeek表示，新模型可应用于图表分析、界面设计、自动化测试、文档理解等场景，配合此前Harness工具链（8月19日v0.1.0-rc.8版新增多模态输入与子Agent协作等14项更新），已形成从模型到工具的产品闭环。

单图输入成本约0.001元

定价延续DeepSeek一贯的竞争力。输入每百万tokens在缓存未命中时为高峰3元、空闲1.5元；缓存命中仅需0.1元与0.05元；输出为9元与4.5元。图片按token计费，单张最多折算384 tokens，视觉理解成本约0.001元/张，仅为GPT-4o的约1/14至1/36，缓存命中时价格优势进一步扩大。

API支持Chat Completions、Messages、Responses三种格式，兼容图文混合输入及base64内联、URL、Files API三种图片传入方式，开发者可无缝嵌入既有工作流。

多模态API竞争或进一步加剧

当前，多模态API市场主要由OpenAI、Anthropic、Google等海外头部模型厂商提供主要竞争产品。DeepSeek此次入局，仍延续其此前在文本模型市场中的策略：以较低价格切入，同时在部分基准上对标头部模型。

业内分析认为，DeepSeek此番入局多模态API市场，以接近Opus-4.8的视觉Agent性能和显著的价格优势，有望吸引一批价格敏感型开发者及中小企业迁移。

不过，实验版本意味着模型在部分边缘场景可能存在不稳定性，DeepSeek呼吁开发者积极反馈以加速正式版迭代。

从产品演进看，该公司自2024年底发布V3、2025年初推出R1推理模型，至此次补上视觉理解拼图，产品矩阵已从纯文本全面扩展至多模态AI。

对于这家以“极致性价比”进入全球市场的中国AI公司而言，多模态API的开放不仅拓宽了B端应用场景，也为其商业化收入提供了新的增长支点。可以预见，多模态API市场的价格与服务之争，将因DeepSeek的加入而更趋激烈。

信源说明：DeepSeek官方公告及API文档 ；基准测试数据来自DeepSeek官方披露；市场分析综合TechWeb、IT之家等报道

免责声明：本文仅供参考，不构成投资建议。

商务合作/报料，请联系微信号：18801065284