【CNMO科技动静】8月21日动静，深度求索公布，全新的多模态视觉理解模子DeepSeek-V4-Flash-Vision-Exp正式上线DeepSeek API平台。作为一款试验性子的模子，该模子于保留文本理解、推理及Agent能力的同时，进一步插手视觉理解能力，用户可以经由过程API直接挪用。这次更新也象征着DeepSeek进一步将多模态能力向Agent运用场景延长，为PPT建造、网页开发以和前端创意等使命提供新的模子能力撑持。

DeepSeek

从官方宣布的信息来看，DeepSeek-V4-Flash-Vision-Exp的焦点特色于在统筹文本及多模态能力。于Agent、推理、世界常识等纯文本使命中，该模子的体现与DeepSeek-V4-Flash正式版基本持平，并无由于增长视觉能力而较着捐躯文本处置惩罚能力。而于需要理解图象内容的Agent Benchmark中，新模子比拟DeepSeek-V4-Flash则实现了较着晋升，多模态Agent能力已经经靠近Opus-4.8。

于现实运用方面，深度求索展示了多个利用案例。此中一个场景是借助Agent框架建造贸易定制西藏自驾游PPT。用户可以直接提出包括线路、行程周期、方针客户以和视觉气势派头于内的繁杂要求，模子随后联合多模态能力完成内容及视觉出现。另外一个案例则是对于DeepSeek Harness官网举行二次创作，经由过程黑蓝深海、玻璃UI以和ASCII原子像素等视觉元素，于多轮交互后天生具备将来主义气势派头的开发者网站。此外，模子还有可以用在建造动态前端Mini Demo，例如根据“3D粘土小怪物插手复旧舞池派对于”的创意天生响应的动态视觉效果。

从这些案例可以看出，这次进级的重点其实不只是让模子具有“看图”能力，而是但愿将视觉理解进一步融入Agent事情流程。对于在需要同时处置惩罚文字、图片、网页以和代码的使命而言，模子可以或许理解视觉信息后，可以进一步介入内容天生、页面设计及交互开发，从而笼罩更多此前重要依赖文本模子完成效果有限的利用场景。

API办事方面，开发者可以经由过程设置model='deepseek-v4-flash-vision-exp'挪用这一试验模子。图片于API办事中会转换为Token并根据Token计费，单张图片至多占用384个Token，总体计费价格与DeepSeek-V4-Flash连结一致。接口今朝撑持Chat Completions、Messages及Responses三种挪用格局，并撑持图文混淆输入。图片既可以经由过程Base64内联方式传入，也能够利用外部URL或者Files API举行挪用，是以可以或许适配差别的Agent开发框架及运用场景。

与此同时，深度求索还有公布Files API正式开放，并且该API自己不收取用度。开发者可以提早将图片上传至平台，以后于API哀求中直接经由过程file_id援用对于应文件，无需于每一一次哀求中反复上传统一张图片。对于在需要重复挪用不异素材的Agent运用而言，这类方式可以或许削减反复传输带来的带宽开消，也有助在简化开发流程。

版权所有，未经许可不患上转载