DeepSeek发布v4 Flash Vision实验版，多模态能力正式上线
中国AI公司DeepSeek于近日正式推出deepseek-v4-flash-vision-exp实验模型，这是DeepSeek v4系列首次加入视觉理解能力的版本。该模型支持JPEG、PNG、GIF和WebP格式的图像输入，能够对图片进行描述、从截图中读取文字、分析图表和表格数据，标志着DeepSeek从纯文本模型向多模态方向迈出了关键一步。
兼容OpenAI格式，无缝接入现有应用
deepseek-v4-flash-vision-exp采用标准的OpenAI兼容Chat Completions格式，开发者可以通过三种方式向模型提供图像：Base64编码内联嵌入、URL直链引用或文件上传。所有图像都会被自动转换为Token，与文本Token一同计费。图像在推理前会被自动缩放，大图按比例缩小至约800×800像素的等效分辨率，以平衡性能和准确性。
图像处理与Token计费机制
图像尺寸直接决定Token消耗量：一张约800×800像素的图片约消耗170个Token，而一张约2000×2000像素的高清图则消耗约746个Token。API调用时，请求体大小限制为48 MiB，Base64编码的图片数据会计入该限制。这种按像素计费的机制使得开发者可以根据实际需求灵活选择图像质量与成本之间的平衡点。
社区反响与产品定位
HackerNews社区对该模型反响热烈，许多开发者表示期待已久。此前DeepSeek v4 Flash 0731版本曾因频繁"幻觉"自身具备视觉能力而引发讨论，因此本次正式加入视觉功能被视为实质性的升级。有评论指出，DeepSeek创始人此前曾公开表示团队专注于文本路线，认为纯文本足以实现AGI，因此这次战略转向格外引人注目。
应用场景与生态扩展
DeepSeek v4 Flash Vision的实验版发布，为AI应用的视觉场景提供了新的选择。对于依赖Playwright截图进行UI测试的开发者、需要OCR处理的文档管理场景，以及需要实时分析图表的数据工作者而言，这款模型提供了一条低延迟、高性价比的路径。目前该模型已在DeepSeek API平台上开放体验，开发者可通过官方文档快速上手。
市场影响与竞品对比
在视觉模型领域，GPT-4o、Claude 3.5 Sonnet和Gemini 2.0均具备多模态能力。DeepSeek v4 Flash Vision的加入，使中国AI公司在多模态赛道上与国际巨头形成了直接竞争。考虑到DeepSeek一贯以高性价比定价策略著称，其视觉API的定价可能成为搅动市场的重要因素。
未来展望
DeepSeek表示，v4 Flash Vision目前仍处于实验阶段，团队将持续优化识别精度、推理速度和Token效率。后续版本有望支持更高分辨率图像、视频流分析和更丰富的多模态交互能力。对于AI应用开发者而言，这无疑是一个值得密切关注的进展。
从技术架构来看，DeepSeek v4 Flash Vision的图像编码采用了高效的视觉Transformer方案，将图像分割为固定大小的Patch后映射为Token序列。这种设计使得模型能够灵活处理不同尺寸和长宽比的输入，同时保持推理效率。与传统的视觉模型不同，DeepSeek没有引入额外的视觉编码器模块，而是直接在统一的Transformer架构中处理文本和图像Token，这在一定程度上简化了模型设计和部署流程。对于希望将视觉能力集成到现有AI应用的开发者来说，这种统一架构降低了集成门槛和运维复杂度。