DeepSeek V4 Vision Exp：API、價格與實測

DeepSeek API 平台新增了實驗性視覺理解模型 DeepSeek-V4-Flash-Vision-Exp。它在 DeepSeek V4 Flash 的文本、推理與 Agent 能力基礎上，加入了圖片輸入功能，讓應用可以直接讀取截圖、圖表、文件與介面狀態。對於一直在尋找 DeepSeek 多模態介面的開發者而言，此次更新的重點不僅僅是「能上傳圖片」，而是視覺能力已整合至 OpenAI 相容 API、Responses API 與 Anthropic 相容介面，可直接接入現有工作流。

本文以 DeepSeek 官網圖像理解文件 與 官方模型計費頁 為準，整理模型定位、API 用法、計費標準、應用場景，以及一套可重現的效果測試方法。參考文章中的推廣、導流及無關內容均未保留；官方尚未揭露的視覺編碼器、訓練資料與參數規模，亦不作推測。

先說結論： 如果你的系統已在運行 deepseek v4，且需要低成本讀取截圖、一般文件或圖表，此模型值得進行小流量試用。它仍帶有 Exp 標記，針對細小文字、精確座標、高風險辨識等任務，應先使用自有資料集進行驗收，並保留人工複核或備用模型。

DeepSeek-V4-Flash-Vision-Exp 是什麼

deepseek-v4-flash-vision-exp 是 DeepSeek 面向 API 開放的實驗性視覺理解模型。請求可同時包含文字與圖片，模型回傳文字結果。它並非圖片生成模型，主要任務是「看懂圖片並完成後續工作」，例如提取收據欄位、解釋圖表趨勢、檢查網頁截圖，或根據介面狀態繼續執行 Agent 流程。

項目	官方資訊
API 模型 ID	deepseek-v4-flash-vision-exp
輸入 / 輸出	文字與圖片輸入，文字輸出
上下文長度	1M tokens
最大輸出	384K tokens
思考模式	支援思考與非思考模式，預設開啟思考
介面	Chat Completions、Responses API、Anthropic 相容 Messages
圖片來源	公網 URL、Base64 data URL、Files API 檔案
圖片格式	JPEG、PNG、GIF、WebP
並發限制	每個帳號 2,500
FIM 補全	不支援
發布狀態	實驗性模型，建議先測試再用於生產環境

其純文本能力延續 V4 Flash 路線，但「文本能力持平」、「多模態 Agent 表現接近其他旗艦模型」等結論主要來自官方發布口徑。真正上線前，仍應依據自身業務中的圖片類型、語言、解析度與錯誤成本進行獨立驗證。

API 如何呼叫

DeepSeek 的 Base URL 仍為 https://api.deepseek.com。已有 OpenAI SDK 專案通常只需替換 API Key、Base URL 與模型 ID。圖片必須置於使用者訊息中；若在 system 或 assistant 訊息中發送圖片，將被拒絕。

方法一：傳入公網圖片 URL

若圖片已存放於可公開訪問的 CDN，使用 URL 方式最節省請求體。以下 Python 範例會讓模型讀取圖表並提取三項趨勢：

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": "讀取這張圖表，列出三項主要趨勢，並說明依據。"},
             {
                 "type": "image_url",
                 "image_url": {
                     "url": "https://example.com/chart.png",
                     "detail": "original"
                 }
             }
         ]
     }],
)

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

公網 URL 最長 8,192 個字元，單張圖片最大 32 MiB，下載需在 60 秒內完成。內網圖片、帶臨時鑑權的地址或不便公開的檔案，較適合使用 Base64 或 Files API。

方法二：Base64 傳入本地圖片

一次性使用的小圖片可編碼為 data:image/png;base64,...，再置入 image_url.url。此方式無需公開託管，但編碼後的內容會計入 48 MiB 請求體上限，不適合連續發送大圖。

方法三：使用 Files API

若同一張圖片需多次引用，或單圖超過 32 MiB，可先上傳至 Files API，再於內容區塊中傳入 file_id。Files API 圖片上限可達 64 MiB，也能減少重複上傳。三種方式僅改變圖片進入請求的方式，不會改變模型本身的視覺能力。

detail 可設為 low、high、original 或 auto。low 會先縮放至 512×512，速度更快、費用更低，適合粗略分類；high 目前等同於 original，用於需保留細節的文件、截圖與圖表。生產環境不宜一律設為最高細節，先依任務粒度分流更具成本效益。

DeepSeek 視覺模型 API 計費

依據 2026 年 8 月 22 日的 DeepSeek 官網計費頁，Vision Exp 與 V4 Flash 使用相同的文本 token 單價。圖片會先依尺寸換算為輸入 token，再與文本一併計費；單張圖片最多計入 384 個輸入 token。官方採用峰谷分時計價，北京時間 9:00–12:00、14:00–18:00 為高峰時段，其餘為閒置時段。

計費項目（人民幣 / 百萬 tokens）	閒置時段	高峰時段
輸入：快取命中	¥0.05	¥0.10
輸入：快取未命中	¥1.50	¥3.00
輸出	¥4.50	¥9.00

粗略估算：100 張圖片即使全數按 384 tokens 計，僅有 38,400 個圖片輸入 tokens；實際帳單還需加上提示詞、上下文與輸出。最終用量應以 API 回傳的 usage 為準。計費標準可能調整，部署前請再次查閱 DeepSeek 官網，避免將本文數字寫死於採購預算中。

適合哪些應用場景

1. 網頁與應用截圖分析

模型可概述頁面結構、辨識錯誤提示、檢查按鈕狀態，並將觀察結果交由 Agent 決定下一步。適合自動化測試、客服排障與後台巡檢。若任務涉及像素級點擊座標，應統一截圖縮放、瀏覽器視窗與座標轉換，不能僅靠自然語言描述直接點擊。

2. 文件、表格與收據提取

對於版式清楚的合約首頁、發票、快遞單與業務表格，可讓模型依 JSON 欄位輸出，再進入規則校驗。關鍵金額、身份證件、醫療或法律資訊必須二次核對；視覺模型的回答流暢，不代表每個字元都準確。

3. 圖表解讀與資料摘要

長條圖、折線圖、儀表板與營運截圖適合用於趨勢說明、異常點發現與指標歸納。提示詞應要求模型列出「結論、圖中證據、無法確認的資訊」，可減少脫離圖像的補寫。需要精確數值時，優先傳入原始資料表，圖片僅作為輔助。

4. 多模態 Agent 與開發輔助

Agent 可讀取終端截圖、設計稿、錯誤彈窗與測試結果，再呼叫搜尋、程式碼或瀏覽器工具繼續處理。相較於「先用一個視覺模型轉寫、再交給 deepseek v4 推理」的兩段式流程，直接輸入圖文更簡潔，也較易保留上下文。不過，模型仍為實驗版，工具呼叫前應增加參數校驗與高風險操作確認。

效果實測：如何測試才有參考價值

不同文章中的示範圖、提示詞與評分標準並不一致，單張「看起來不錯」的範例無法代表業務效果。我們建議使用固定圖片與固定提示詞進行一輪可重現測試，並記錄原始回答，而非僅截取成功案例。

測試任務	建議輸入	通過標準	易出錯之處
OCR / 欄位提取	10 張清晰收據 + 10 張傾斜或低光收據	欄位逐字比對，並輸出缺失項	小字、反光、相近數字
圖表理解	含圖例、單位與雙軸的圖表	趨勢正確，數值能在圖中定位	雙軸混淆、截斷座標軸
UI 截圖	桌面與手機各 10 張	元件、狀態、錯誤提示辨識完整	摺疊內容、遮罩、小圖示
空間關係	表單、流程圖、簡單地圖	上下左右與連接關係正確	密集連線、跨區塊關係
多輪 Agent	同一任務連續 5–10 步截圖	狀態持續一致，不重複已完成動作	舊截圖干擾、錯誤累積

測試時至少比較 low 與 original 兩檔細節。我們的觀察方法是：先讓模型僅做結構化提取，再要求解釋；若直接讓其「分析並給建議」，事實辨識與推理會混在一起，難以定位錯誤。對於清晰截圖、常規圖表與版式簡單的文件，它適合作為低成本首輪處理節點；對於密集小字、精確座標、複雜工程圖與需承擔法律責任的辨識任務，不能僅憑一次回答即上線。

還需關注四項工程指標：首 token 延遲、完整請求耗時、每次成功任務成本、重試率。便宜的單次 token 價格，若需頻繁重試或人工返工，總成本仍可能更高。建議先抽取 50–200 個真實樣本，設定欄位準確率與失敗閾值，再決定是否擴大流量。

使用時需注意的限制

• Exp 代表實驗版本，介面行為與效果仍可能變化，不應無條件取代生產模型。
• 僅視覺模型接受圖片；將圖片發給一般 deepseek-v4-flash 會回傳不支援圖片的錯誤。
• Chat Completions 中圖片僅能出現於 user 訊息。保留原始輸入與錯誤碼，便於排查。
• 圖片經過 token 化與縮放，低價不等於保留全部像素。密集文件可先裁切分塊，再逐塊辨識。
• 模型輸出需防止提示注入。網頁截圖或文件中的文字可能包含惡意指令，不應讓其直接觸發外部操作。
• 涉及身份、財務、醫療、安全與合規判斷時，必須增加規則校驗或人工複核。

與一般 DeepSeek V4 Flash 如何選擇

需求	推薦模型
僅有文字、程式碼或結構化資料	deepseek-v4-flash
需讀取圖片、截圖、掃描件或圖表	deepseek-v4-flash-vision-exp
高風險視覺決策	Vision Exp 試點 + 專用模型或人工複核
重複讀取同一大圖	Vision Exp + Files API

若任務本身已有可靠的 OCR 或結構化資料來源，先將結果轉為文本再交給 V4 Flash，通常更穩定。只有當視覺資訊無法被現有系統提取，或 Agent 必須觀察介面狀態時，Vision Exp 的價值才更明顯。首次接入 DeepSeek API 的讀者，也可先參考本站的 DeepSeek 使用指南 與 DeepSeek 官網入口說明，再依任務決定使用文本模型或視覺模型。

總結

DeepSeek-V4-Flash-Vision-Exp 讓 DeepSeek 多模態能力進入開發者可直接呼叫的 API：接入方式相容主流 SDK，支援 URL、Base64 與 Files API，圖片 token 上限與 V4 Flash 同價，使截圖分析、文件提取、圖表解讀與視覺 Agent 有了成本較低的新選擇。

其目前最合適的定位是「可驗證、可回退的視覺工作節點」，而非無需測試的萬能識圖方案。先以真實樣本建立基準，檢查準確率、延遲、重試與總成本，再逐步擴大使用範圍，所得結論將比單次示範更可靠。