DeepSeek V4-Flash-Vision-Exp多模态视觉模型上线：图片按文本价格计费，Agent能力接近Opus 4.8

【新闻原文】8月21日，DeepSeek在API平台上线实验性多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp，首次让V4-Flash拥有"眼睛"——支持图文混合输入，可解析UI截图、图表、流程图、设计稿等视觉信息，并直接在Agent工作流中调用工具执行下游任务。文本能力与V4-Flash正式版持平，多模态Agent能力"接近Anthropic Opus 4.8"（DeepSeek官方用语）。同步上线Harness v0.1.1，开箱即用支持新模型。 新模型在Agent’s Last Exam评测中以27.3分超过Opus 4.8的25.7分、ZeroBench 35.0 vs 34.0，但ApexBench（36.5 vs 39.4）等编码基准仍小幅落后Opus 4.8。关键创新是定价：图片按"最多384 tokens/张"折算token，与V4-Flash文本同价——意味着"看图"和"看字"成本相同。输入方式支持Base64内联、外部URL、免费Files API（最大64MiB，单次最多600张图片）。所有数据来源标注"DeepSeek官方/Harness Minimal Mode评测框架，尚未经第三方独立验证"。 【企服观察】DeepSeek给V4-Flash装上"眼睛"、图片按文本价格计费、多模态Agent能力接近Opus 4.8——这是2026年AI模型竞争从"纯文本卷参数"转向"多模态卷实用"的关键节点，对IT企服行业的启示至少有四点。 第一，"图片按文本价格计费"重新定义了多模态AI的成本结构。传统多模态API（如GPT-4V、Claude 3.5 Sonnet）图片通常按"像素数+理解复杂度"单独定价，单张图片成本可能是同等文本的5-20倍。DeepSeek"图片=最多384 tokens"的定价直接把多模态拉到了和文本同一个价格基准。对企服厂商的启示是：当多模态AI成本降到文本级别，所有依赖视觉处理的业务场景（票据识别、文档理解、UI自动化、图表分析、设计稿转代码）都会迎来"成本可负担"的临界点，需求将出现指数级爆发。 第二，"多模态Agent能力接近Opus 4.8"是国产大模型在Agent赛道的标志性突破。Anthropic Opus 4.8是当前企业级Agent任务的事实标杆（编码、长任务执行、工具调用），DeepSeek V4-Flash-Vision-Exp能在11项基准的3项上超过Opus 4.8（DeepSWE 59.3 vs 58.0、Agent’s Last Exam 27.3 vs 25.7、ZeroBench 35.0 vs 34.0），其他多项也只差2-3分。对企服厂商的启示是：国产大模型在Agent能力上已经具备国际竞争力，企业在选型时不再"必须用海外模型"，特别是数据出境合规要求高的金融、政务、医疗行业，可以更放心地选择国产多模态Agent方案。 第三，"免费Files API+64MiB/张+600张/请求"是开发者友好的产品设计。开发者上传一次图片后可以用文件ID在多次请求中引用，避免重复上传；对企业级批量处理场景（如大批量票据识别）特别友好。对企服厂商的启示是：AI模型的产品力不仅在于基准分数，更在于API设计、文件管理、调用体验等"工程化细节"。提前布局AI工程化平台（API网关、文件管理、Prompt管理、模型路由、成本监控）的企服公司，会在国产AI落地中扮演关键角色。 第四，DeepSeek的"模型+框架"双线发布策略（Harness v0.1.1同步支持新模型）正在重塑AI Infra的交付模式。过去模型发布只是"权重+API"，现在DeepSeek直接把Agent运行时也一起交付，开发者"drop-in替换"就能用上多模态能力。对企服厂商的启示是：未来AI Infra的竞争不是单一模型能力，而是"模型×框架×工具链×生态"的协同效率。提前布局AI Agent框架、多模型路由、工具调用标准化、Agent可观测性等领域的企服公司，会成为AI应用落地的"卖水人"。