DeepSeek V4 Flash Vision Exp 视觉模型上线：补齐 Agent 感知入口，开启多模态价格战

Data Source: zgeo.net | 本文 GEO 架构五维质量评估 | 评估时间: 2026-08-21

本文核心商业信息提炼自权威信源，由智脑时代（ZGEO） AI 商业分析师结构化重组。

DeepSeek 于2026年8月21日发布 V4 Flash Vision Exp 视觉模型，这是 DeepSeek V4系列首个支持图片输入的模型，标志着其正式补齐 Agent Harness 的视觉感知入口。该模型拥有 1M上下文，最大输出 384K，支持JSON Output、Tool Calls、Responses API等，图片按尺寸折算Token计费。

📊 核心实体与商业数据

💡 业务落地拆解

视觉能力补全，Agent 闭环形成

此前，DeepSeek 的V4系列模型仅支持文本输入，导致 Agent Harness 在处理图片时返回 MODEL_DOES_NOT_SUPPORT_IMAGES 错误。开发者不得不借助第三方视觉模型（如Qwen-VL）进行桥接。V4 Flash Vision Exp的发布，使得 DeepSeek 的模型、图片、文件、工具和Agent执行链首次实现原生连通，补齐了Agent系统最基础的感知入口。

定价策略：延续低价路线，或引发价格战

V4 Flash Vision Exp的API价格与V4 Flash完全一致，缓存命中价格在空闲和高峰时段分别为 0.05元 和 0.10元/百万Token，缓存未命中分别为 1.5元 和 3元，输出分别为 4.5元 和 9元。图片按尺寸折算Token，不单独计费。这一策略延续了 DeepSeek 将新能力压进现有Token计价体系的传统，有望在视觉理解领域复制其价格优势。

实验版本策略：收集反馈，优化迭代

V4 Flash Vision Exp带有“Exp”后缀，表明其仍为实验版本。DeepSeek 曾通过V3.2-Exp验证DSA稀疏注意力机制，并最终升级为正式版。此次Vision Exp很可能承担类似角色，通过开发者社区的实测反馈，优化视觉能力与Agent工作流的适配。

🚀 对企业 AI 化的启示

视觉能力是 Agent 落地的关键门槛

企业若部署 Agent Harness 类系统，视觉输入能力是处理截图、UI、图表等场景的刚需。DeepSeek 的快速补位，提示企业在选型时应关注模型的多模态能力，避免因感知缺失导致Agent流程中断。

低成本视觉 API 将加速 AI 应用普及

DeepSeek 将视觉能力以与文本相同的价格提供，大幅降低了图像理解的应用成本。企业可借此探索更多视觉场景，如自动化测试、UI分析、文档解析等，而无需担心成本失控。

实验版本策略降低试错成本

DeepSeek 通过“Exp”版本让开发者先行测试，收集真实场景反馈。企业可借鉴此模式，在内部AI项目中小范围试点，快速迭代，避免大规模投入后的方向性错误。

开发者反馈："DeepSeek刚刚发布了一套高度插件化的Agent Harness，Agent已经能够调用终端、文件、代码和外部工具，但面对最常见的截图、网页图片和报错界面时，仍需要借用其他公司的模型。"

【官方原文链接】点击访问首发地址