Deepseek 推出 V4‑Flash‑Vision‑Exp：具備圖像理解的多模態模型

Deepseek 近日發佈實驗性多模態模型 V4‑Flash‑Vision‑Exp，在保留原有文字推理與世界知識能力的同時，加入了圖像理解功能。根據 Deepseek 內部的多模態代理（agent）基準測試，該視覺版模型的表現與 Opus 4.8 相差無幾，顯示出相當的競爭力。

技術細節與效能

模型延伸：V4‑Flash‑Vision‑Exp 以 Deepseek‑V4‑Flash 為基礎，新增圖像前處理模組，支援 JPEG、PNG、GIF、WebP 四種常見格式，且會依實際檔案內容判斷類型，而非僅依檔名或 MIME。
圖像正規化：系統會自動將圖像縮放至約 800×800 像素（依長寬比調整），若設定 detail 參數，則會先下採樣至 512×512，降低 token 消耗。每張圖像最高僅消耗 384 個 token，計費方式與 V4‑Flash 相同。
傳輸方式：開發者可透過三種方式送圖：Base64 直接嵌入、公開 URL（上限 32 MiB）或全新 Files API（一次上傳後以 ID 重複使用，單檔上限 64 MiB）。一次請求最多可攜帶 600 張圖，單邊長度上限 8,192 像素；若圖數 ≥15，則降至 4,096 像素。圖像只能放在使用者訊息中。
相容介面：模型支援 OpenAI 的 Chat Completions 與 Responses API，亦相容 Anthropic 的 Messages 端點，並隨同發布的 Harness 0.1.1 框架即時支援。

應用場景與未來展望

Deepseek 明確將此模型定位於 代理應用（agent‑based applications），期望結合視覺感知與工具使用，讓 AI 能夠描述圖片、從螢幕截圖擷取文字、解析圖表等。這類能力對於客服機器人、資料分析助理、甚至自動化設計審核都有實務價值。

隨著圖像處理成本被 token 計算方式平滑化，開發者可在不大幅增加費用的前提下，將多模態互動納入產品。未來若 Deepseek 持續優化視覺模型的細節辨識與跨模態推理，將有望在多模態代理市場與 Opus、Claude 等競爭者形成更明顯的差異化。

讀者提示：若您正規劃將圖像資訊納入 AI 工作流，V4‑Flash‑Vision‑Exp 的低 token 消耗與彈性上傳機制，是值得關注的選項。持續追蹤 Deepseek 的更新，將有助於把握下一波多模態應用的先機。