DeepSeek V4 Flash Vision Exp: ‏API، قیمت و تست

پلتفرم API DeepSeek مدل درک بینایی آزمایشی جدیدی به نام DeepSeek-V4-Flash-Vision-Exp اضافه کرده است. این مدل در کنار قابلیت‌های متنی، استدلالی و Agent در DeepSeek V4 Flash، ورودی تصویر را نیز اضافه کرده است تا برنامه‌ها بتوانند مستقیماً اسکرین‌شات‌ها، نمودارها، اسناد و وضعیت رابط کاربری را بخوانند. برای توسعه‌دهندگانی که به دنبال رابط چندحسی DeepSeek هستند، نکته کلیدی این به‌روزرسانی صرفاً «قابلیت آپلود تصویر» نیست، بلکه این است که قابلیت‌های بینایی اکنون در API سازگار با OpenAI، Responses API و رابط سازگار با Anthropic در دسترس هستند و می‌توانند به جریان‌های کاری موجود متصل شوند.

این مقاله بر اساس مستندات درک تصویر سایت رسمی DeepSeek و صفحه قیمت‌گذاری مدل‌های رسمی تنظیم شده است و جایگاه مدل، نحوه استفاده از API، قیمت‌ها، کاربردها و یک روش قابل تکرار برای تست عملکرد را خلاصه می‌کند. محتوای تبلیغاتی، لینک‌های انتقالی و مطالب غیرمرتبط در مقالات مرجع حذف شده‌اند؛ همچنین هیچ حدسی درباره کدکننده بینایی، داده‌های آموزشی و مقیاس پارامترهایی که هنوز توسط رسمی فاش نشده‌اند، ارائه نمی‌شود.

نتیجه‌گیری اولیه: اگر سیستم شما از deepseek v4 استفاده می‌کند و نیاز به خواندن ارزان اسکرین‌شات‌ها، اسناد معمولی یا نمودارها دارید، این مدل ارزش یک تست با ترافیک کم را دارد. اما از آنجا که هنوز برچسب Exp را دارد، برای وظایفی مانند متن‌های ریز، مختصات دقیق و شناسایی‌های پرخطر، ابتدا باید با استفاده از مجموعه داده‌های خودتان اعتبارسنجی کنید و بازبینی انسانی یا یک مدل جایگزین را در نظر بگیرید.

DeepSeek-V4-Flash-Vision-Exp چیست

deepseek-v4-flash-vision-exp یک مدل درک بینایی آزمایشی است که DeepSeek برای API ارائه کرده است. درخواست‌ها می‌توانند همزمان شامل متن و تصویر باشند و مدل خروجی متنی برمی‌گرداند. این مدل یک مدل تولید تصویر نیست؛ وظیفه اصلی آن «درک تصویر و انجام کارهای بعدی» است، مانند استخراج فیلدهای فاکتور، توضیح روندهای نمودار، بررسی اسکرین‌شات وب و ادامه فرآیند Agent بر اساس وضعیت رابط کاربری.

مورد	اطلاعات رسمی
شناسه مدل API	deepseek-v4-flash-vision-exp
ورودی / خروجی	ورودی متن و تصویر، خروجی متن
طول زمینه	1M tokens
حداکثر خروجی	384K tokens
حالت تفکر	پشتیبانی از حالت‌های تفکر و غیرتفکر، به‌طور پیش‌فرض حالت تفکر فعال است
رابط	Chat Completions، Responses API، پیام‌های سازگار با Anthropic
منبع تصویر	URL عمومی، data URL با Base64، فایل‌های Files API
فرمت تصویر	JPEG، PNG، GIF، WebP
محدودیت همزمانی	2,500 برای هر حساب
تکمیل FIM	پشتیبانی نمی‌شود
وضعیت انتشار	مدل آزمایشی، توصیه می‌شود قبل از استفاده در محیط تولید تست شود

قابلیت‌های متنی خالص آن ادامه‌دهنده مسیر V4 Flash است، اما نتیجه‌هایی مانند «توانایی متنی هم‌سطح» و «عملکرد Agent چندحسی نزدیک به سایر مدل‌های پرچمدار» عمدتاً از اظهارات رسمی منتشرشده گرفته شده است. قبل از استقرار واقعی، همچنان باید بر اساس نوع تصویر، زبان، رزولوشن و هزینه خطا در کسب‌وکار خودتان، اعتبارسنجی مستقل انجام دهید.

نحوه فراخوانی API

Base URL DeepSeek همچنان https://api.deepseek.com است. پروژه‌هایی که از OpenAI SDK استفاده می‌کنند، معمولاً فقط نیاز به جایگزینی API Key، Base URL و شناسه مدل دارند. تصویر باید در پیام کاربر قرار گیرد؛ ارسال تصویر در پیام system یا assistant رد خواهد شد.

روش اول: ارسال URL تصویر عمومی

اگر تصویر روی یک CDN قابل دسترسی عمومی قرار دارد، روش URL کمترین حجم درخواست را دارد. نمونه Python زیر باعث می‌شود مدل نمودار را بخواند و سه روند اصلی را استخراج کند:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[{
         "role": "user",
         "content": [
             {"type": "text", "text": "این نمودار را بخوانید، سه روند اصلی را فهرست کنید و دلیل آن‌ها را توضیح دهید."},
             {
                 "type": "image_url",
                 "image_url": {
                     "url": "https://example.com/chart.png",
                     "detail": "original"
                 }
             }
         ]
     }],
)

print(response.choices[0].message.content)

حداکثر طول URL عمومی 8,192 کاراکتر است، حداکثر اندازه هر تصویر 32 MiB است و دانلود باید در 60 ثانیه تکمیل شود. برای تصاویر داخلی شبکه، آدرس‌هایی با احراز هویت موقت یا فایل‌هایی که مناسب انتشار عمومی نیستند، Base64 یا Files API مناسب‌تر است.

روش دوم: ارسال تصویر محلی با Base64

تصاویر کوچک یک‌بار مصرف می‌توانند به صورت data:image/png;base64,... کدگذاری شده و سپس در image_url.url قرار گیرند. این روش نیاز به میزبانی عمومی ندارد، اما محتوای کدگذاری‌شده در سقف 48 MiB برای بدنه درخواست محاسبه می‌شود و برای ارسال پیوسته تصاویر بزرگ مناسب نیست.

روش سوم: استفاده از Files API

اگر یک تصویر چند بار ارجاع داده شود یا اندازه یک تصویر از 32 MiB بیشتر باشد، ابتدا می‌توانید آن را به Files API آپلود کنید و سپس file_id را در بلوک محتوای ورودی قرار دهید. تصاویر Files API تا 64 MiB قابل قبول هستند و همچنین از آپلود تکراری جلوگیری می‌کنند. این سه روش فقط نحوه ورود تصویر به درخواست را تغییر می‌دهند و قابلیت بینایی خود مدل را تغییر نمی‌دهند.

پارامتر detail می‌تواند low، high، original یا auto باشد. low ابتدا تصویر را به 512×512 مقیاس می‌کند، سرعت بیشتری دارد و هزینه کمتری دارد و برای دسته‌بندی اولیه مناسب است؛ high در حال حاضر معادل original است و برای اسناد، اسکرین‌شات‌ها و نمودارهایی که نیاز به حفظ جزئیات دارند استفاده می‌شود. در محیط تولید، همه موارد را به بالاترین سطح جزئیات تنظیم نکنید؛ ابتدا بر اساس دقت وظیفه، ترافیک را تقسیم کنید که از نظر هزینه به‌صرفه‌تر است.

قیمت API مدل بینایی DeepSeek

بر اساس صفحه قیمت‌گذاری سایت رسمی DeepSeek در 22 اوت 2026، Vision Exp و V4 Flash از نرخ واحد token متنی یکسانی استفاده می‌کنند. تصاویر ابتدا بر اساس اندازه به token ورودی تبدیل شده و سپس همراه با متن محاسبه می‌شوند؛ حداکثر 384 token ورودی برای هر تصویر محاسبه می‌شود. DeepSeek از قیمت‌گذاری پیک و دره استفاده می‌کند؛ ساعت‌های 9:00–12:00 و 14:00–18:00 به وقت پکن پیک هستند و سایر ساعات، ساعات کم‌ترافیک محسوب می‌شوند.

مورد محاسبه (یوان / میلیون tokens)	ساعات کم‌ترافیک	ساعات پیک
ورودی: برخورد با کش	¥0.05	¥0.10
ورودی: عدم برخورد با کش	¥1.50	¥3.00
خروجی	¥4.50	¥9.00

برآورد ساده: 100 تصویر، حتی اگر همه 384 token محاسبه شوند، فقط 38,400 token ورودی تصویر ایجاد می‌کنند؛ اما فاکتور واقعی باید شامل پرامپت، زمینه و خروجی نیز باشد. مصرف نهایی باید بر اساس usage برگشتی API باشد. قیمت‌ها ممکن است تغییر کند، قبل از استقرار دوباره سایت رسمی DeepSeek را بررسی کنید تا اعداد این مقاله را به‌صورت ثابت در بودجه خرید خود قید نکنید.

مناسب کدام کاربردها است

1. تحلیل اسکرین‌شات وب و اپلیکیشن

مدل می‌تواند ساختار صفحه را خلاصه کند، پیام‌های خطا را شناسایی کند، وضعیت دکمه‌ها را بررسی کند و نتایج مشاهده‌شده را به Agent بسپارد تا گام بعدی را تعیین کند. این قابلیت برای تست خودکار، عیب‌یابی پشتیبانی مشتری و بازرسی پس‌زمینه مناسب است. اگر وظیفه شامل مختصات کلیک پیکسلی باشد، باید مقیاس‌بندی اسکرین‌شات، نما مرورگر و تبدیل مختصات را یکپارچه کنید و فقط به توصیف زبان طبیعی برای کلیک مستقیم تکیه نکنید.

2. استخراج اسناد، جداول و فاکتورها

برای صفحه اول قراردادهای با چیدمان واضح، فاکتورها، برچسب‌های پستی و جداول تجاری، می‌توانید مدل را وادار کنید بر اساس فیلدهای JSON خروجی دهد و سپس آن را به اعتبارسنجی قاعده‌محور بسپارید. مبالغ کلیدی، مدارک هویتی، اطلاعات پزشکی یا حقوقی باید دوباره بررسی شوند؛ روان بودن پاسخ مدل بینایی به معنای دقت هر کاراکتر نیست.

3. تفسیر نمودار و خلاصه‌سازی داده

نمودارهای میله‌ای، خطی، داشبوردها و اسکرین‌شات‌های عملیاتی برای توضیح روند، یافتن نقاط غیرعادی و جمع‌بندی شاخص‌ها مناسب هستند. پرامپت باید از مدل بخواهد «نتیجه، شواهد در تصویر و اطلاعاتی که قابل تأیید نیست» را فهرست کند تا از نوشتن‌های جدا از تصویر جلوگیری شود. برای مقادیر دقیق، اولویت با ارسال جدول داده اصلی است و تصویر فقط به‌عنوان کمکی استفاده شود.

4. Agent چندحسی و کمک به توسعه

Agent می‌تواند اسکرین‌شات ترمینال، طرح‌های طراحی، پنجره‌های خطا و نتایج تست را بخواند و سپس ابزارهای جستجو، کد یا مرورگر را برای ادامه پردازش فراخوانی کند. در مقایسه با فرآیند دو مرحله‌ای «ابتدا یک مدل بینایی ترنسکرایب کند و سپس به deepseek v4 برای استدلال سپرده شود»، ورودی مستقیم متن و تصویر ساده‌تر است و حفظ زمینه را آسان‌تر می‌کند. با این حال، از آنجا که مدل هنوز نسخه آزمایشی است، قبل از فراخوانی ابزار باید اعتبارسنجی پارامتر و تأیید عملیات پرخطر اضافه شود.

تست عملکرد: چگونه تست کنیم تا ارزش مرجع داشته باشد

تصاویر نمایشی، پرامپت‌ها و معیارهای امتیازدهی در مقالات مختلف یکسان نیستند و یک نمونه «خوب به نظر رسیدن» نمی‌تواند عملکرد کسب‌وکار را نمایندگی کند. پیشنهاد ما این است که با تصاویر ثابت و پرامپت‌های ثابت یک تست قابل تکرار انجام دهید و پاسخ‌های اصلی را ثبت کنید، نه اینکه فقط موارد موفق را جدا کنید.

وظیفه تست	ورودی پیشنهادی	معیار عبور	نقاط پرخطر خطا
OCR / استخراج فیلد	10 فاکتور واضح + 10 فاکتور کج یا کم‌نور	تطبیق کاراکتر به کاراکتر فیلدها و خروجی موارد گمشده	متن ریز، بازتاب نور، اعداد مشابه
درک نمودار	نمودار با راهنما، واحد و محور دوتایی	روند صحیح و قابل‌یابی بودن مقادیر در نمودار	اشتباه‌گیری محور دوتایی، محورهای مختصات قطع‌شده
اسکرین‌شات UI	10 تصویر دسکتاپ و 10 تصویر موبایل	شناسایی کامل اجزا، وضعیت و پیام‌های خطا	محتوای تا‌شده، پوشش‌دهنده‌ها، آیکون‌های ریز
روابط فضایی	فرم، نمودار جریان، نقشه ساده	درستی روابط بالا/پایین/چپ/راست و اتصال‌ها	خطوط متراکم، روابط بین‌بلوکی
Agent چندگانه	5–10 اسکرین‌شات پیوسته برای یک وظیفه	ثبات وضعیت و تکرار نکردن اقدامات انجام‌شده	تداخل اسکرین‌شات قدیمی، انباشت خطا

در زمان تست، حداقل دو سطح جزئیات low و original را مقایسه کنید. روش مشاهده‌ای ما این است: ابتدا مدل را فقط وادار به استخراج ساختاریافته کنید و سپس توضیح بخواهید؛ اگر مستقیماً از آن بخواهید «تحلیل و پیشنهاد بدهد»، شناسایی واقعیت و استدلال با هم قاطی می‌شوند و یافتن خطا دشوار است. برای اسکرین‌شات‌های واضح، نمودارهای معمولی و اسناد با چیدمان ساده، این مدل به‌عنوان گره پردازش اولیه کم‌هزینه مناسب است؛ اما برای متن‌های ریز متراکم، مختصات دقیق، نقشه‌های مهندسی پیچیده و وظایف شناسایی با مسئولیت حقوقی، نمی‌توان فقط بر اساس یک پاسخ آن را راه‌اندازی کرد.

به چهار شاخص مهندسی نیز توجه کنید: تأخیر اولین token، زمان کل درخواست، هزینه هر وظیفه موفق و نرخ تکرار. قیمت token کم، اگر نیاز به تکرار مکرر یا بازکاری انسانی داشته باشد، ممکن است هزینه کل را بالاتر ببرد. پیشنهاد می‌شود ابتدا 50 تا 200 نمونه واقعی را انتخاب کنید، دقت فیلد و آستانه شکست را تنظیم کنید و سپس تصمیم بگیرید که آیا ترافیک را گسترش دهید یا خیر.

محدودیت‌هایی که هنگام استفاده باید به آن‌ها توجه کنید

• Exp نشان‌دهنده نسخه آزمایشی است و رفتار رابط و عملکرد ممکن است تغییر کند؛ نباید بدون قید و شرط جایگزین مدل تولید شود.
• فقط مدل بینایی تصویر را می‌پذیرد؛ ارسال تصویر به deepseek-v4-flash معمولی، خطای عدم پشتیبانی تصویر را برمی‌گرداند.
• در Chat Completions، تصویر فقط در پیام user مجاز است. ورودی اصلی و کد خطا را برای عیب‌یابی حفظ کنید.
• تصویر token‌سازی و مقیاس‌بندی می‌شود؛ قیمت پایین به معنای حفظ تمام پیکسل‌ها نیست. برای اسناد متراکم، ابتدا برش و بلوک‌بندی کنید و سپس هر بلوک را شناسایی کنید.
• خروجی مدل باید در برابر تزریق پرامپت محافظت شود. متن در اسکرین‌شات وب یا اسناد ممکن است شامل دستورات مخرب باشد؛ اجازه ندهید مستقیماً عملیات خارجی را فعال کند.
• در موارد مربوط به هویت، مالی، پزشکی، امنیت و انطباق، باید اعتبارسنجی قاعده‌محور یا بازبینی انسانی اضافه شود.

چگونه بین DeepSeek V4 Flash معمولی و این مدل انتخاب کنیم

نیاز	مدل پیشنهادی
فقط متن، کد یا داده ساختاریافته	deepseek-v4-flash
نیاز به خواندن تصویر، اسکرین‌شات، اسکن یا نمودار	deepseek-v4-flash-vision-exp
تصمیم‌گیری بینایی پرخطر	پایلوت Vision Exp + مدل تخصصی یا بازبینی انسانی
خواندن مکرر یک تصویر بزرگ	Vision Exp + Files API

اگر وظیفه از قبل منبع OCR یا داده ساختاریافته قابل‌اعتمادی دارد، معمولاً پایدارتر است که ابتدا نتیجه را به متن تبدیل کنید و سپس به V4 Flash بسپارید. فقط زمانی که اطلاعات بینایی توسط سیستم‌های موجود قابل استخراج نباشد یا Agent مجبور به مشاهده وضعیت رابط کاربری باشد، ارزش Vision Exp آشکارتر است. خواننده‌هایی که برای اولین بار با DeepSeek API کار می‌کنند، می‌توانند ابتدا راهنمای استفاده از DeepSeek و راهنمای ورود به سایت رسمی DeepSeek این سایت را ببینند و سپس بر اساس وظیفه تصمیم بگیرند که از مدل متنی یا بینایی استفاده کنند.

جمع‌بندی

DeepSeek-V4-Flash-Vision-Exp قابلیت‌های چندحسی DeepSeek را به API‌ای تبدیل کرده که توسعه‌دهندگان می‌توانند مستقیماً از آن استفاده کنند: روش اتصال با SDKهای اصلی سازگار است، از URL، Base64 و Files API پشتیبانی می‌کند و سقف token تصویر و قیمت آن با V4 Flash یکسان است، که گزینه‌ای کم‌هزینه برای تحلیل اسکرین‌شات، استخراج اسناد، تفسیر نمودار و Agent بینایی فراهم می‌کند.

مناسب‌ترین جایگاه فعلی آن «گره کاری بینایی قابل‌اعتبارسنجی و قابل‌بازگشت» است، نه یک راه‌حل همه‌کاره شناسایی تصویر بدون نیاز به تست. ابتدا با نمونه‌های واقعی خط پایه بسازید، دقت، تأخیر، تکرار و هزینه کل را بررسی کنید و سپس به‌تدریج دامنه استفاده را گسترش دهید؛ نتیجه‌ای که به دست می‌آید، از یک نمایش یک‌باره قابل‌اعتمادتر خواهد بود.