📚 本文是 tanqingbo.cn「AI 工具完全指南（2026）」专题的配套教程。想系统了解 ChatGPT、Gemini、Kimi、DeepSeek 等主流模型怎么选，以及 AI 编程 / Agent 工具怎么入门，先看总览页。
用 DeepSeek 的朋友多少都遇到过这种尴尬：想让它看一眼截图里的报错，它回你「我无法查看图片」；想让它认张发票，它说「请提供文字」。说白了，过去很长一段时间它就是个纯文本模型，「能看图」这件事一直是空白。
这个空白，八月下旬补上了——DeepSeek 发了个实验性多模态模型，deepseek-v4-flash-vision-exp。
30 秒速答
- 它是什么：DeepSeek 首个支持图像输入的模型，能描述图片、识别截图文字、分析图表
- 怎么接入：改模型 ID 就行，
deepseek-v4-flash-vision-exp，不需要重新搭环境 - 支持格式：JPEG、PNG、GIF、WebP（按文件实际内容识别，不看后缀名）
- 价格：输入（缓存命中）约 0.05
0.1 元/百万 tokens，输出约 4.59 元/百万 tokens - 实测能力：网页复刻、报错定位、发票识别三个场景都能干
deepseek-v4-flash-vision-exp 是什么
名字里有两个关键信息：v4，说明它是 V4 系列；vision，说明它终于能「看」了。
最省事的是接入方式——不需要重新搭环境，只要把 API 里的模型名换成 deepseek-v4-flash-vision-exp，就能直接调用图片能力。以前接过 DeepSeek 的人，改一个模型 ID 就能用。
官方支持三种能力：描述图片、识别截图里的文字、分析图表。格式支持 JPEG、PNG、GIF、WebP。有个细节值得单独提：它是按文件的实际内容判断格式，而不是看文件名后缀——你把一个 PNG 改名成 .txt 丢给它，它照样认得出来。
这张图是官方文档给出的能力/价格总表。横向对比 deepseek-v4-flash、deepseek-v4-pro 和 deepseek-v4-flash-vision-exp：上下文长度都是 1M，输出最大 384K，Json Output、Tool Calls、Responses API、Anthropic API 都支持；v4-flash-vision-exp 的输入价和 v4-flash 一致（缓存命中 0.05 / 0.1 元），输出价（4.5 / 9 元）也差不多，相当于多模态能力基本是加量不加价。
价格：一杯奶茶钱
价格按 token 计费，图片会被换算成 token，和文字一起算。
实测口径（每百万 tokens）：
| 项目 | 空闲时段 | 高峰时段 |
|---|---|---|
| 输入（缓存命中） | 0.05 元 | 0.1 元 |
| 输出 | 4.5 元 | 9 元 |
什么概念？普通用户日常跑点识图、分析截图的量，一个月下来可能花不了一杯奶茶钱。便宜，一直是 DeepSeek 最大的标签之一。
注：以上为「缓存命中」口径的输入价，未命中价以官方定价页为准。
三个实测：它到底「看」得怎么样
光说不练假把式。实测挑了三个最能说明问题的场景，逐个看。
第一个，网页复刻。 把 GitHub 一个前端页面的截图直接丢给模型，让它照着复刻。结果模型把整个页面的基础信息结构都读懂了，还原度还不错。但放大对比之后，和 Kimi 的 K3 比还是差一些——K3 连头像这种细节都能还原得更好。
上图是复刻后的页面效果，左侧仓库列表、中间 Home Feed、右侧 changelog 的基本结构都还原出来了。细看头像、阴影这些细节还不够精致，但作为一个「只看图就搭页面」的 demo，已经能省掉大量手写布局的时间。
第二个，报错截图。 把一段报错代码的截图丢过去，模型直接定位到 github-dashboard.html 的 682 行，指出问题出在一个空对象还被继续读取 user 属性，报错类型是 TypeError: Cannot read properties of null。定位完原因还不算完，它顺手把空值保护逻辑补上、把代码改了。从看图、定位到修复，一条龙。
从截图里能看到：它先说「已解决」，再列出出错位置、错误类型、触发点，最后把第 680–687 行的修复代码贴出来。这个流程对前端排查 bug 特别友好——以前得把报错文字复制给 AI，现在直接丢截图就行。
第三个，发票识别。 一张发票截图丢进去，模型很快把发票类型、号码、开票日期这些核心字段都抽了出来，还按基础信息、购买方、销售方几个维度自动整理成了结构化表格。对日常报销、财务录入、票据归档这些场景来说，已经相当实用了。
发票类型、发票号码、开票日期、购买方、销售方等字段都按表格列了出来。这种「截图 → 结构化数据」的能力，自动化做报销、票据归档基本够用了。
说实话，前两个案例确实惊艳，但发票识别这种，其实是合格的图像理解模型本该有的基本功——做到是应该的，做不到才奇怪。
怎么接入
除了官方 API，几个主流 Agent 都能直接接：Codex 里能用，WorkBuddy 里能用，Claude Code 也能接。甚至 Obsidian 的 WeSight 插件接入之后也能直接识图——比如让模型数一数图片里有几个人，它也能答上来。
接入步骤就一步：**把模型 ID 改成 deepseek-v4-flash-vision-exp**。不管是官方 API 还是各家 Agent，认准这个 ID 就行。想用 DeepSeek 搭一套自己的 Agent 干活的话，可以看下 DeepSeek Harness 教程，这个「一切皆插件」的框架和视觉模型配合起来挺顺手。
官方文档里的 model 参数表把 v4-flash、v4-pro、v4-flash-vision-exp 列在一起，只需要把 model 字段替换成 deepseek-v4-flash-vision-exp，图片输入接口就通了。这也是这次更新最省心的一点：不改动调用方式，只改一个名字。
一句话总结：以前 DeepSeek 只长了嘴，现在终于睁开了眼。
这件事为什么值得关注
因为它补上了 DeepSeek 在 Agent 应用生态里最关键的一环。
过去半年，DeepSeek 靠文本能力圈了一大波开发者，但很多人做 Agent、做工具的时候，一遇到图片输入就卡住。社区为了绕开这个限制，搞出了一堆插件和第三方方案——麻烦不说，还多一层数据风险。现在官方下场，问题从根上解决了。
当然，国产模型里做多模态的不只 DeepSeek 一家，像 Kimi 的 K3、豆包的 Doubao-Seed-Evolving，支持得都比它早。所以这篇文章的主角不是「国产唯一」，而是「DeepSeek 终于跟上」。
想摸清各模型能力差异再下手，可以先看 AI 工具完全指南；想深入理解大模型原理的，LLM Wiki 搭建教程 里有不少底层对比。预算敏感的话，国外 AI 大模型充值教程 也把合租、镜像、代充的路子捋了一遍。
想试的话，三步
- 去官方接口，把模型名改成
deepseek-v4-flash-vision-exp - 在你常用的 Agent 里，丢一张图试试（截图报错、发票、网页都行）
- 效果好，回来评论区聊聊你拿它干了什么