刚刚，多模态版DeepSeek「长眼」了！1000张图只要1块钱

新智元报道 刚刚，DeepSeek首个多模态API模型正式上线！ 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 秒追ASI ⭐ 点赞、转发、在看一键三连 ⭐ 点亮星标，锁定新智元极速推送！ 文章原文