DeepSeek加速布局多模态。8月21日，公司上线实验性视觉理解模型DeepSeek-V4-Flash-Vision-Exp，在保留原有文本能力的基础上增加图像理解能力，并向开发者开放API。

从公司公布的测试结果看，新模型在Agent、推理、世界知识等纯文本任务上的表现与DeepSeek-V4-Flash基本相当；在视觉理解类Agent基准测试中，性能较前代明显提升，已逼近Opus-4.8。

(资料图片仅供参考)

与此同时，DeepSeek上线免费的Files API，并发布DeepSeek Harness 0.1.1，为新模型提供接入支持。此次更新进一步扩展了DeepSeek API的应用范围，开发者可以在Agent框架中处理图文混合任务。

文本能力基本持平，视觉理解明显增强

DeepSeek-V4-Flash-Vision-Exp定位为实验性模型，重点是在增加视觉能力的同时保持文本性能。

DeepSeek表示，在Agent、推理和世界知识等纯文本任务上，新模型与V4-Flash正式版表现持平；在需要视觉理解的Agent基准测试中，性能则实现明显提升。

需要注意的是，DeepSeek在测试中使用DeepSeek Harness极简模式框架，并采用max档位、temperature=1.0、top-p=0.95等参数。由于V4-Flash在ApexBench和Agents" Last Exam的测试中会忽略多模态元素，因此视觉任务上的两代模型对比并非完全同口径。

多模态能力面向Agent场景，API价格与V4-Flash一致

DeepSeek展示了新模型在多类Agent任务中的应用，包括根据需求生成面向高净值客户的西藏自驾游PPT、对网站进行多轮交互式创作，以及生成带有动态视觉效果的前端Mini Demo。

这些案例主要体现了模型对图像和文本信息的综合理解能力，以及在多轮交互任务中的应用潜力。

在API计费方面，V4-Flash-Vision-Exp沿用V4-Flash的定价。图片输入将转换为token计费，单张图片最多占用384个token。API支持Chat Completions、Messages和Responses三种调用格式，图片可通过base64、外部URL或Files API传入。

同期上线的Files API目前免费。开发者可提前上传图片，并在后续请求中通过file_id调用，以减少重复上传。DeepSeek同时发布DeepSeek Harness 0.1.1，为新模型提供开箱即用的Agent接入支持。