8月21日，DeepSeek推出实验性多模态模型deepseek-v4-flash-vision-exp。该模型在保持DeepSeek-V4-Flash文本能力的基础上新增视觉理解能力，可处理图片输入，并已上线DeepSeek API平台，开发者可通过设置model参数访问。DeepSeek Harness 0.1.1版本同步加入对该模型的原生支持。

据爱范儿报道，DeepSeek官方介绍，这一模型旨在提升多模态Agent任务表现，其文本能力、Agent能力、推理能力以及世界知识均与V4-Flash保持一致。在多模态Agent基准测试中，该模型相比V4-Flash有明显提升，表现接近Opus-4.8等高端模型。模型支持混合文本和图片输入，图片可通过Base64、外部URL或Files API方式提供，并可通过Chat Completions、Messages以及Responses API调用。

API价格延续V4-Flash的计费体系。输入和输出均按token计算，图片会根据尺寸转换为token，每张图片最高换算为384 tokens。缓存命中情况下，输入价格空闲时段为每百万tokens 0.05元，高峰时段为0.10元；缓存未命中时，空闲时段为1.5元，高峰时段为3元。输出价格空闲时段为每百万tokens 4.5元，高峰时段为9元。高峰时段为北京时间每天9:00至12:00和14:00至18:00。

同期发布的Files API允许开发者先上传图片文件，通过file_id在不同请求中引用同一文件，避免重复上传。该接口支持JPEG、PNG、GIF和WebP格式，单文件最大64MiB，单用户存储空间为25GiB，最多可保存10000个文件。这一能力适合需要长期复用图片素材的Agent工作流。

爱范儿在测试中使用该模型生成了商业定制西藏自驾游PPT，并对DeepSeek Harness官网进行了二次创作。此前，DeepSeek Harness在0820更新中曾增强多模态支持度，但默认使用的DeepSeek-V4-Pro模型不支持图片输入，导致整理图片时报错。此次发布的视觉模型弥补了这一缺口，使Harness能够调用视觉模型处理图像。

多模态能力是Agent处理真实任务的基础。DeepSeek通过视觉模型、Files API和Harness生态，将图片理解接入现有Agent工作流，使办公中的截图读取、文档分析，开发中的界面识别、错误分析，以及内容生产中的素材辅助成为可能。