DeepSeek V4 Flash Vision Exp: API, giá và thử nghiệm

22/8/2026

deepseek v4deepseek trang chủdeepseek đa phương thứcDeepSeek-V4-Flash-Vision-ExpDeepSeek API

Ra mắt mô hình thị giác DeepSeek-V4-Flash-Vision-Exp và thông tin API

Nền tảng DeepSeek API vừa bổ sung mô hình hiểu thị giác thử nghiệm DeepSeek-V4-Flash-Vision-Exp. Trên nền tảng khả năng xử lý văn bản, suy luận và Agent của DeepSeek V4 Flash, mô hình này bổ sung khả năng nhận đầu vào hình ảnh, cho phép ứng dụng đọc trực tiếp ảnh chụp màn hình, biểu đồ, tài liệu và trạng thái giao diện. Đối với các nhà phát triển đang tìm kiếm giao diện đa phương thức của DeepSeek, điểm nhấn của bản cập nhật này không chỉ đơn thuần là “có thể tải ảnh lên”, mà là khả năng thị giác đã được tích hợp vào API tương thích OpenAI, Responses API và giao diện tương thích Anthropic, có thể kết nối ngay vào các quy trình làm việc hiện có.

Bài viết này dựa trên Tài liệu hiểu hình ảnh của trang chủ DeepSeek và Trang giá mô hình chính thức, để tổng hợp định vị mô hình, cách sử dụng API, giá cả, kịch bản ứng dụng và một phương pháp kiểm thử hiệu quả có thể tái lập. Các nội dung quảng bá, liên kết chuyển hướng và thông tin không liên quan trong bài tham khảo đã được loại bỏ; các thông tin về bộ mã hóa thị giác, dữ liệu huấn luyện và quy mô tham số mà chính thức chưa công bố cũng không được suy đoán.

Kết luận trước: Nếu hệ thống của bạn đã đang sử dụng deepseek v4 và cần đọc ảnh chụp màn hình, tài liệu thông thường hoặc biểu đồ với chi phí thấp, mô hình này đáng để thử nghiệm với lưu lượng nhỏ. Nó vẫn mang nhãn Exp, đối với các tác vụ như nhận diện chữ nhỏ, tọa độ chính xác, nhận diện rủi ro cao, bạn nên kiểm tra trước trên bộ dữ liệu của mình và giữ lại quy trình kiểm tra thủ công hoặc mô hình dự phòng.

Bắt đầu sử dụng DeepSeek

DeepSeek-V4-Flash-Vision-Exp là gì

deepseek-v4-flash-vision-exp là mô hình hiểu thị giác thử nghiệm mà DeepSeek mở cho API. Yêu cầu có thể chứa cả văn bản và hình ảnh, mô hình trả về kết quả văn bản. Nó không phải là mô hình tạo ảnh, nhiệm vụ chính là “hiểu ảnh và hoàn thành công việc tiếp theo”, chẳng hạn như trích xuất trường trên hóa đơn, giải thích xu hướng biểu đồ, kiểm tra ảnh chụp màn hình trang web, hoặc tiếp tục thực thi quy trình Agent dựa trên trạng thái giao diện.

Mục	Thông tin chính thức
ID mô hình API	`deepseek-v4-flash-vision-exp`
Đầu vào / Đầu ra	Đầu vào văn bản và hình ảnh, đầu ra văn bản
Độ dài ngữ cảnh	1M tokens
Đầu ra tối đa	384K tokens
Chế độ suy nghĩ	Hỗ trợ chế độ suy nghĩ và không suy nghĩ, mặc định bật chế độ suy nghĩ
Giao diện	Chat Completions, Responses API, Messages tương thích Anthropic
Nguồn ảnh	URL công cộng, data URL Base64, tệp từ Files API
Định dạng ảnh	JPEG, PNG, GIF, WebP
Giới hạn đồng thời	2.500 mỗi tài khoản
Hoàn thành FIM	Không hỗ trợ
Trạng thái phát hành	Mô hình thử nghiệm, khuyến nghị kiểm thử trước khi dùng cho môi trường sản xuất

Khả năng xử lý văn bản thuần túy của nó tiếp nối lộ trình V4 Flash, nhưng các kết luận như “khả năng văn bản tương đương” hay “hiệu suất Agent đa phương thức gần với các mô hình flagship khác” chủ yếu đến từ thông cáo chính thức. Trước khi triển khai thực tế, vẫn cần kiểm chứng độc lập dựa trên loại ảnh, ngôn ngữ, độ phân giải và chi phí lỗi trong nghiệp vụ của bạn.

Cách gọi API

Base URL của DeepSeek vẫn là https://api.deepseek.com. Các dự án đã có OpenAI SDK thường chỉ cần thay thế API Key, Base URL và ID mô hình. Hình ảnh phải được đặt trong tin nhắn người dùng; gửi ảnh trong tin nhắn system hoặc assistant sẽ bị từ chối.

Cách 1: Truyền URL ảnh công cộng

Khi ảnh đã được đặt trên CDN có thể truy cập công khai, cách dùng URL sẽ tiết kiệm dung lượng yêu cầu nhất. Ví dụ Python dưới đây sẽ khiến mô hình đọc biểu đồ và trích xuất ba xu hướng chính:

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": "Đọc biểu đồ này, liệt kê ba xu hướng chính và giải thích cơ sở."},
             {
                 "type": "image_url",
                 "image_url": {
                     "url": "https://example.com/chart.png",
                     "detail": "original"
                 }
             }
         ]
     }],
)

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

URL công cộng có chiều dài tối đa 8.192 ký tự, mỗi ảnh tối đa 32 MiB, quá trình tải xuống phải hoàn thành trong 60 giây. Đối với ảnh nội bộ, địa chỉ có xác thực tạm thời hoặc tệp không tiện công khai, Base64 hoặc Files API sẽ phù hợp hơn.

Cách 2: Truyền ảnh cục bộ bằng Base64

Các ảnh nhỏ dùng một lần có thể được mã hóa thành data:image/png;base64,..., sau đó đặt vào image_url.url. Cách này không cần lưu trữ công khai, nhưng nội dung sau mã hóa sẽ tính vào giới hạn dung lượng yêu cầu 48 MiB, không phù hợp để gửi liên tục các ảnh lớn.

Cách 3: Sử dụng Files API

Khi cùng một ảnh được trích dẫn nhiều lần, hoặc ảnh đơn vượt quá 32 MiB, bạn có thể tải lên Files API trước, sau đó truyền file_id trong khối nội dung. Ảnh qua Files API có thể lên đến 64 MiB, đồng thời giảm thiểu việc tải lên lặp lại. Ba cách này chỉ thay đổi cách ảnh đi vào yêu cầu, không thay đổi khả năng thị giác của mô hình.

Tham số detail có thể đặt là low, high, original hoặc auto. low sẽ thu nhỏ trước xuống 512×512, tốc độ nhanh hơn, chi phí thấp hơn, phù hợp cho phân loại thô; high hiện tương đương original, dùng cho tài liệu, ảnh chụp màn hình và biểu đồ cần giữ chi tiết. Trong môi trường sản xuất, không nên đặt chi tiết cao nhất cho tất cả, hãy phân luồng theo mức độ chi tiết của tác vụ trước để tiết kiệm hơn.

Giá API mô hình thị giác DeepSeek

Theo trang giá trên trang chủ DeepSeek ngày 22 tháng 8 năm 2026, Vision Exp và V4 Flash sử dụng đơn giá token văn bản giống nhau. Hình ảnh sẽ được quy đổi sang token đầu vào theo kích thước, sau đó tính phí cùng với văn bản; mỗi ảnh tối đa tính 384 token đầu vào. Chính thức áp dụng giá theo giờ cao/điểm, giờ cao điểm theo giờ Bắc Kinh là 9:00–12:00, 14:00–18:00, các khung giờ còn lại là giờ thấp điểm.

Mục tính phí (Nhân dân tệ / triệu tokens)	Giờ thấp điểm	Giờ cao điểm
Đầu vào: Trúng cache	¥0.05	¥0.10
Đầu vào: Không trúng cache	¥1.50	¥3.00
Đầu ra	¥4.50	¥9.00

Ước tính đơn giản: 100 ảnh, dù đều tính theo 384 tokens, cũng chỉ là 38.400 token đầu vào hình ảnh; hóa đơn thực tế còn phải cộng thêm prompt, ngữ cảnh và đầu ra. Lượng sử dụng cuối cùng nên dựa trên trường usage mà API trả về. Giá có thể thay đổi, trước khi triển khai hãy xem lại trang chủ DeepSeek, tránh ghi cứng các con số trong bài này vào ngân sách mua sắm.

Phù hợp với những kịch bản nào

Kịch bản hiểu ảnh và sử dụng Agent của mô hình đa phương thức DeepSeek

1. Phân tích ảnh chụp màn hình trang web và ứng dụng

Mô hình có thể tóm tắt cấu trúc trang, nhận diện thông báo lỗi, kiểm tra trạng thái nút, và giao kết quả quan sát cho Agent quyết định bước tiếp theo. Nó phù hợp cho kiểm thử tự động, xử lý sự cố dịch vụ khách hàng và kiểm tra hệ thống. Nếu tác vụ liên quan đến tọa độ nhấp cấp pixel, cần thống nhất việc thu nhỏ ảnh chụp, khung nhìn trình duyệt và chuyển đổi tọa độ, không thể chỉ dựa vào mô tả ngôn ngữ tự nhiên để nhấp trực tiếp.

2. Trích xuất tài liệu, bảng biểu và hóa đơn

Đối với trang đầu hợp đồng, hóa đơn, đơn vận chuyển và bảng biểu nghiệp vụ có bố cục rõ ràng, có thể yêu cầu mô hình xuất ra theo trường JSON, sau đó đưa vào quy trình kiểm tra quy tắc. Các khoản tiền quan trọng, giấy tờ tùy thân, thông tin y tế hoặc pháp lý phải được kiểm tra lần hai; câu trả lời của mô hình thị giác trôi chảy không có nghĩa là mọi ký tự đều chính xác.

3. Giải thích biểu đồ và tóm tắt dữ liệu

Biểu đồ cột, biểu đồ đường, bảng điều khiển và ảnh chụp màn hình vận hành phù hợp để giải thích xu hướng, phát hiện điểm bất thường và tổng hợp chỉ số. Prompt nên yêu cầu mô hình liệt kê “kết luận, bằng chứng trong ảnh, thông tin không thể xác nhận”, để giảm thiểu việc viết thêm không dựa trên ảnh. Khi cần giá trị chính xác, nên ưu tiên truyền bảng dữ liệu gốc, ảnh chỉ đóng vai trò hỗ trợ.

4. Agent đa phương thức và hỗ trợ phát triển

Agent có thể đọc ảnh chụp màn hình terminal, bản thiết kế, hộp thoại lỗi và kết quả kiểm thử, sau đó gọi công cụ tìm kiếm, mã nguồn hoặc trình duyệt để tiếp tục xử lý. So với quy trình hai bước “dùng một mô hình thị giác để chuyển văn, sau đó giao cho deepseek v4 suy luận”, việc nhập trực tiếp ảnh và văn bản đơn giản hơn, cũng dễ giữ ngữ cảnh hơn. Tuy nhiên, mô hình vẫn là phiên bản thử nghiệm, trước khi gọi công cụ nên thêm kiểm tra tham số và xác nhận các thao tác rủi ro cao.

Đánh giá thực tế: Cách kiểm thử để có giá trị tham khảo

Các ảnh minh họa, prompt và tiêu chí đánh giá trong các bài viết khác nhau không thống nhất, một ví dụ “trông ổn” đơn lẻ không thể đại diện cho hiệu quả nghiệp vụ. Chúng tôi khuyến nghị dùng ảnh cố định và prompt cố định để chạy một vòng kiểm thử có thể tái lập, và ghi lại câu trả lời gốc, thay vì chỉ chụp lại các trường hợp thành công.

Tác vụ kiểm thử	Đầu vào khuyến nghị	Tiêu chí đạt	Nơi dễ sai
OCR / Trích xuất trường	10 ảnh hóa đơn rõ + 10 ảnh hóa đơn nghiêng hoặc thiếu sáng	Khớp từng ký tự, và xuất các mục thiếu	Chữ nhỏ, phản quang, số giống nhau
Hiểu biểu đồ	Biểu đồ có chú giải, đơn vị và trục kép	Xu hướng đúng, giá trị định vị được trong ảnh	Nhầm lẫn trục kép, trục tọa độ bị cắt
Ảnh chụp UI	10 ảnh desktop và 10 ảnh mobile	Nhận diện đầy đủ thành phần, trạng thái, thông báo lỗi	Nội dung gập, lớp che, biểu tượng nhỏ
Quan hệ không gian	Biểu mẫu, sơ đồ luồng, bản đồ đơn giản	Quan hệ trên-dưới-trái-phải và kết nối đúng	Đường nối dày đặc, quan hệ liên khối
Agent đa vòng	5–10 ảnh chụp liên tiếp cùng một tác vụ	Trạng thái nhất quán, không lặp lại hành động đã xong	Ảnh cũ gây nhiễu, lỗi tích lũy

Khi kiểm thử, nên so sánh ít nhất hai mức chi tiết low và original. Phương pháp quan sát của chúng tôi là: trước tiên chỉ yêu cầu mô hình trích xuất có cấu trúc, sau đó mới yêu cầu giải thích; nếu trực tiếp yêu cầu “phân tích và đưa ra gợi ý”, nhận diện sự kiện và suy luận sẽ bị trộn lẫn, khó định vị lỗi. Đối với ảnh chụp rõ, biểu đồ thông thường và tài liệu bố cục đơn giản, nó phù hợp làm nút xử lý đầu tiên chi phí thấp; đối với chữ nhỏ dày đặc, tọa độ chính xác, bản vẽ kỹ thuật phức tạp và tác vụ nhận diện cần trách nhiệm pháp lý, không thể chỉ dựa vào một câu trả lời để triển khai.

Cần lưu ý bốn chỉ số kỹ thuật: độ trễ token đầu tiên, thời gian hoàn thành yêu cầu, chi phí mỗi tác vụ thành công, tỷ lệ thử lại. Giá token đơn lẻ rẻ, nhưng nếu cần thử lại thường xuyên hoặc làm lại thủ công, tổng chi phí vẫn có thể cao hơn. Nên lấy mẫu 50–200 mẫu thực tế, đặt tỷ lệ chính xác trường và ngưỡng thất bại, rồi mới quyết định có mở rộng lưu lượng hay không.

Những hạn chế cần lưu ý khi sử dụng

Exp nghĩa là phiên bản thử nghiệm, hành vi giao diện và hiệu quả vẫn có thể thay đổi, không nên thay thế vô điều kiện mô hình sản xuất.
Chỉ mô hình thị giác chấp nhận ảnh; gửi ảnh cho deepseek-v4-flash thông thường sẽ trả về lỗi không hỗ trợ ảnh.
Trong Chat Completions, ảnh chỉ được xuất hiện trong tin nhắn user. Giữ lại đầu vào gốc và mã lỗi để dễ gỡ lỗi.
Ảnh được token hóa và thu nhỏ, giá rẻ không có nghĩa là giữ toàn bộ pixel. Tài liệu dày đặc có thể cắt thành từng khối trước, rồi nhận diện từng khối.
Đầu ra của mô hình cần phòng chống tiêm prompt. Văn bản trong ảnh chụp trang web hoặc tài liệu có thể chứa lệnh ác ý, không để chúng kích hoạt trực tiếp các thao tác bên ngoài.
Khi liên quan đến danh tính, tài chính, y tế, an toàn và tuân thủ, bắt buộc phải thêm kiểm tra quy tắc hoặc kiểm tra thủ công.

Chọn giữa DeepSeek V4 Flash thông thường và mô hình thị giác

Nhu cầu	Mô hình khuyến nghị
Chỉ có văn bản, mã hoặc dữ liệu có cấu trúc	`deepseek-v4-flash`
Cần đọc ảnh, ảnh chụp, bản quét hoặc biểu đồ	`deepseek-v4-flash-vision-exp`
Quyết định thị giác rủi ro cao	Thử nghiệm Vision Exp + mô hình chuyên dụng hoặc kiểm tra thủ công
Đọc lặp lại cùng một ảnh lớn	Vision Exp + Files API

Nếu tác vụ vốn đã có nguồn OCR hoặc dữ liệu có cấu trúc đáng tin cậy, hãy chuyển kết quả sang văn bản trước rồi giao cho V4 Flash, thường sẽ ổn định hơn. Chỉ khi thông tin thị giác không thể được hệ thống hiện tại trích xuất, hoặc Agent phải quan sát trạng thái giao diện, giá trị của Vision Exp mới rõ rệt hơn. Người đọc lần đầu tiếp cận DeepSeek API cũng có thể xem trước Hướng dẫn sử dụng DeepSeek và Hướng dẫn cổng trang chủ DeepSeek trên trang này, rồi quyết định dùng mô hình văn bản hay thị giác tùy theo tác vụ.

Tổng kết

DeepSeek-V4-Flash-Vision-Exp đưa khả năng đa phương thức của DeepSeek vào API mà nhà phát triển có thể gọi trực tiếp: cách tích hợp tương thích với các SDK phổ biến, hỗ trợ URL, Base64 và Files API, giới hạn token ảnh và giá tương đương V4 Flash, mang đến lựa chọn mới chi phí thấp cho phân tích ảnh chụp, trích xuất tài liệu, giải thích biểu đồ và Agent thị giác.

Định vị phù hợp nhất hiện tại của nó là “nút làm việc thị giác có thể kiểm chứng và có thể lùi lại”, chứ không phải giải pháp nhận diện ảnh vạn năng không cần kiểm thử. Hãy dùng mẫu thực tế để thiết lập đường cơ sở, kiểm tra độ chính xác, độ trễ, tỷ lệ thử lại và tổng chi phí, rồi dần mở rộng phạm vi sử dụng, kết luận thu được sẽ đáng tin cậy hơn so với một lần trình diễn đơn lẻ.