DeepSeek 给 Flash 装上眼睛——多模态 Agent 不再是 Plus 的特权

2026 年 8 月 21 日，DeepSeek 把多模态视觉塞进了 Flash。这件事比它表面看上去重要得多。

DeepSeek 这次发布的不是 V4-Pro、不是 V4-Plus，是 deepseek-v4-flash-vision-exp——Flash 系列。这是 DeepSeek 第一个对外开放的多模态视觉理解模型，定价与 V4-Flash 完全一致，单图最多 384 token，并发上限 2500（来源：DeepSeek API 官方文档 https://api-docs.deepseek.com/guides/vision）。

在多模态这条赛道上，最不缺的就是"又一个模型发布了"的新闻。DeepSeek 这次值得记一笔的理由不是它有多强，而是它把多模态做成了 Flash 级别的平价日用品。

为什么是 Flash，不是 Plus

过去一年，多模态视觉模型的主战场是 Plus、Pro、Opus 这类旗舰型号。DeepSeek 反过来选了 Flash，原因不复杂：多模态 Agent 真正的门槛从来不是能力，是成本。

Flash 在 DeepSeek 产品线里一直是价格屠夫的角色——V4-Flash 文本版已经把每千 token 的价格压到了几乎能让 Agent 跑全天候工作流的位置。在这个基础上加视觉，等于在已有的便宜地基上直接盖房。

具体的成本设计有两个关键点：

• 单图按尺寸计费，最多 384 token。你传一张 4K 截图和一张缩略图，开销差别不大。这等于从模型层面挡住了"参数通胀"——视觉模型最大的隐性成本失控点是用户上传越来越高分辨率的图，DeepSeek 用 token 上限把这件事提前封死。
• 高峰/空闲两档价与 V4-Flash 一致。并发 2500 没变。这意味着现有跑 V4-Flash 的 Agent 工作流，换成视觉版几乎不用重新算账。

让 Flash 看见图，比让 Plus 看见图，对整个行业的影响大 10 倍。

技术细节：这次升级了什么

开发者关心的不是发布会上的 demo，是接进来要改几行代码。这次更新的几个点都打在痛处上。

接口兼容性拉满。模型支持 Chat Completions、Responses（OpenAI 格式）和 Anthropic API 三种调用方式，三种图片传入方式——Base64 内联、外部 URL、Files API。Files API 是这次同步上线的关键新东西，且免费。

Files API 解决的痛点很具体：以前每发一次请求都要把图片重新编码塞进 body。视觉 Agent 跑批量截图分析时，这个带宽浪费能把账单堆出尖峰。现在上传一次拿到 file_id，后续请求直接引用，逻辑和 Git LFS 引用大文件一个意思。

容量天花板直接拉到生产可用级别。单次请求最多 600 张图片，最长边 8192 像素。Base64/URL 单图最大 32 MiB；Files API 单图最大 64 MiB；含 file_id 单次请求图片总量上限 200 MiB。细节等级提供三档：low（512×512 缩放，省 token）、original（保留原图）、auto。

性能方面，官方给出的对照结果是：纯文本任务（推理、世界知识、工具调用）与 V4-Flash 持平；视觉 Agent Benchmark 上大幅跃升，多模态 Agent 能力接近 Claude Opus 4.8（来源：DeepSeek API 官方更新 https://api-docs.deepseek.com/updates/）。