DeepSeek-v4 视觉模型 API 指南
DeepSeek-v4-flash-vision-exp
DeepSeek 推出了 deepseek-v4-flash-vision-exp 模型，支持通过 OpenAI 兼容接口、Anthropic 接口以及 Responses API 处理图像。开发者可以灵活选择三种方式上传图片：Base64 内嵌、外部 URL 或 Files API 文件引用。系统自动根据图像尺寸调整 Token 消耗，单图上限为 384 个 Token，并支持 JPEG、PNG、GIF 和 WebP 格式。文档详细说明了不同场景下的最佳实践，包括大文件处理、多图请求限制以及 detail 参数的使用策略，帮助开发者高效集成视觉分析能力。
图像会根据其尺寸转换为 Token，这些 Token 将与你的文本 Token 一起计费。
HN 评论区
153- ciberado
DS 无法精准查看 Playwright 截图是我唯一怀念 Sonnet 的地方。这很有希望。
> 图像会根据其尺寸转换为 token，这些 token 将与你的文本 token 一起计费。
> 在推理之前，每张图片都会自动调整大小：
> - 总像素数低于约 384×384 的图像会在保持宽高比的同时被放大。
> - 较大的图像会在保持宽高比的同时被缩小，使得调整后的总像素数大约相当于 800×800 的图像。
> 因此，每张图像的 token 上限为 384 个：例如，2000×2000 的图像和 5000×5000 的图像在调整大小后消耗的 token 数量相同。当请求包含多张图像时，每张图像都按相同规则独立计算——多图像请求没有单独的计费计算方式。
如果我没记错的话，每张图像 400 个 token 意味着每美元可以处理 2,500 张图像。
编辑：调整格式。
- leumon
它没能通过简单的时钟测试，而 Qwen3.8 27B 几乎答对了。
给定一张时钟的图片 https://files.catbox.moe/kgwa5e.png
我问道：“时钟显示的时间是多少？”（两次都设置了 reasoning: high）
DS 回答：时钟显示 *5:10*（以及 45 秒）。
以下是详细分析：
* *时针（红色，最短）：* 指向 *5*。
* *分针（绿色，最长）：* 指向 *2*，代表 10 分钟。
* *秒针（蓝色，中等长度）：* 指向 *9*，代表 45 秒。
Qwen 回答：时钟显示 *8:10*（红色秒针指向 5，即 *8:10:25*）。
- *时针*（短，蓝色）→ 8
- *分针*（长，绿色）→ 2（10 分钟）
- *秒针*（细，红色）→ 5（25 秒）
正确答案是 08:09:25。
- LorenDB
我听说 DeepSeek v4 Flash 0731 经常假设自己具备视觉能力，一旦发现实际上看不见，就会转而发明基于文本的图像分析工具。如果是这种情况，这对模型来说是一个巨大的升级。
据我所知，我曾不得不告诉 0731 不要查看截图，因为它一直试图读取图像，导致会话不断中断。
- cjg007
这几个月以来，我一直在使用没有视觉功能的 v4-flash 版本——它是我的代码任务首选。现在有了视觉功能，我在想：如果这个模型能做纯文本版本能做的一切（还能看图像），为什么还要保留纯文本版本呢？
仅仅是因为成本或延迟吗？还是说纯文本版本在某些方面做得更好？
- meetpateltech
带有基准测试的新闻公告：https://api-docs.deepseek.com/news/news260821/
- zmmmmm
> 较大的图像会在保持宽高比的同时被缩小，使得调整后的总像素数大约相当于 800×800 的图像。
这很有用，但对于 OCR 和许多其他应用来说，分辨率需要再高一点（例如：放入完整的 A4 或 Letter 尺寸页面）。
- BrucecarlL
恭喜！DeepSeek 终于长出了眼睛——黑暗的日子即将成为过去。
- shangyu1994
看来多模态训练确实很有用，应用开发者可能需要考虑适配多模态智能体。