视觉按文本价卖！DeepSeek V4 Flash Vision 硬核拆解：一张图最多 384 token

2026 年 8 月，DeepSeek 官方文档悄悄上线了一个新模型 deepseek-v4-flash-vision-exp，然后一整天都被 Hacker News 和开发者群刷屏。刷屏的理由只有一个：它的视觉能力，是按纯文本模型的价格在卖——1M 输入 token 低至 $0.22（缓存命中更是只有 $0.007），和它家纯文本的 deepseek-v4-flash 完全一致，一张图换算下来最多只吃 384 个 token。多模态推理第一次被拉到和「文字对话」同一个价格带，这件事的含金量，比一个炫技 demo 大得多。今天我就把它拆开：定价到底多「白菜」、一张图如何变成 token、三种喂图方式怎么跑通，以及那些官方文档里藏着的坑。

一、核心痛点：多模态为什么一直「用不起」

先把背景说清楚。过去两年，视觉模型的能力突飞猛进，但「看得见」和「用得起」之间一直隔着一堵墙——视觉 token 太贵了。

主流视觉模型的计费逻辑里，一张图往往被切成几十上百个 patch，再压成一串视觉 token，光一张高清图就可能吃掉几百上千 token 的输入预算。结果就是：OCR 扫描、截图问答、图表分析这些「本来就该便宜」的刚需场景，被价格硬生生挡在了门外。开发者要么咬咬牙把图缩到 256px，要么干脆放弃多模态、退回「先让用户手打文字描述」的原始状态。

DeepSeek 这次直接换了个打法：把视觉模型做成纯文本 flash 的一个「加量不加价」变体。同一个 1M 上下文、同一个 384K 最大输出、同一张价目表，唯一的区别是 deepseek-v4-flash-vision-exp 多收了一个「图像输入」。换句话说，它不是「再做一个贵的多模态旗舰」，而是「让已经有的便宜模型顺便能看图」。

这个定位决定了它的一切设计：便宜是它的第一性原理。下面这张图把「一张图如何变成 token、如何计费」讲清楚了，你先把这条管线记住，后面每一章都围着它转。

二、底层硬核拆解：一张图如何变成 token

这是整篇文章最硬核的部分，也是「便宜」的真相所在。

2.1 先缩放，再换算

DeepSeek 的文档写得很清楚：图像不是原样喂给模型的，推理前每张图都会先被自动缩放（保持宽高比），然后按缩放后的尺寸换算成 token，再和你请求里的文本 token 合并计费。缩放规则只有两条：

总像素低于约 384×384 的图：放大到约 384×384。
更大的图：缩小到总像素约等于一张 800×800 图。

于是就有了那条最关键的上限：单张图封顶 384 token。官方原话甚至举例说「一张 2000×2000 和一张 5000×5000 的图，缩放后消耗的 token 数一模一样」——因为都会被压到 800×800 这个天花板。这跟你熟悉的「图片越大越贵」完全不同：在 DeepSeek 这里，超大图不会让你破产，它只是被优雅地缩掉了。

这意味着什么？意味着一个包含 10 张截图的 OCR 请求，图像部分的成本是有明确上界的——最多 10 × 384 = 3840 个视觉 token，再加文本。对「批量读图」这种场景，成本完全可预测。

2.2 detail 字段：一个你大概率会用到的省钱开关

针对 image_url 输入，你还能用 detail 字段进一步控制精度：

detail 值	行为
`low`	缩到 512×512 再推理，更快更省，适合不关心细部纹理的场景
`high`	保留原图（为兼容性保留，等价于 `original`）
`original`	保留原图
`auto`	自动选择，当前等价于 `original`

注意一个细节：detail 只在 image_url 方式下生效，通过 Files API file_id 传图时会被直接忽略。所以「读缩略图判断是啥」用 low，「读高精度截图里的报错小字」就老老实实用原图。

2.3 多图请求：每张图独立计数

文档明确写了：一个请求里有多张图时，每张图都按同一规则独立换算，没有针对多图的特殊合并计算。配合后面会讲到的「单请求最多 600 张图」上限，这意味着批量场景的成本是线性的、可心算的——这是工程上我最喜欢的一点。

三、全流程跑通：三种喂图方式 + 可复制的代码

模型名就叫 deepseek-v4-flash-vision-exp，接口完全兼容 OpenAI / Anthropic 格式。官方给了三种喂图方式，覆盖从「本地单张」到「大批量复用」的全部场景。

方式一：Base64 内联（最简单，适合本地文件）

把图片编码成 data: URL 直接塞进请求。这是本地文件最快的路径，代价是编码后的数据会计入 48 MiB 的请求体上限。

import base64
from openai import OpenAI

client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

with open("image.jpg", "rb") as f:
    b64 = base64.b64encode(f.read()).decode("utf-8")

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "这张图里有什么？"},
            {"type": "image_url",
             "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
        ],
    }],
)
print(response.choices[0].message.content)

用 curl 也可以：

curl https://api.deepseek.com/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -d '{
    "model": "deepseek-v4-flash-vision-exp",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "这张图里有什么？"},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64,<BASE64_DATA>"}}
      ]
    }]
  }'

方式二：外链 URL（最省心，适合图已经在网上）

传一个公开可访问的 http(s) 链接，模型自己下载。约束是：URL 不超过 8192 字符、单图不超过 32 MiB、下载要在 60 秒内完成。图太大或链接太长，就退回方式一或改用 Files API。

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "描述这张图。"},
            {"type": "image_url",
             "image_url": {"url": "https://example.com/image.jpg"}},
        ],
    }],
)

方式三：Files API file_id（最划算，适合复用同一张图）

先把图上传一次，之后用 file_id 引用。这是「同一张图要反复问多个问题」时的最佳选择——免去重复上传，而且单图上限放宽到 64 MiB，不受 32 MiB 的内联检查约束。

# 先上传，拿到 file_id（形如 file-api-...）
# 再在 content 里用 file 内容块引用
response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "解析这张截图里的报错。"},
            {"type": "file", "file": {"file_id": "file-api-..."}},
        ],
    }],
)

什么时候用哪种，官方给了明确的决策依据：内联方式受 48 MiB 请求体约束；单图超过 32 MiB 只能走 Files API；同一张图复用多次也走 Files API。三条线各自覆盖一类场景，基本没有重叠的灰色地带。

四、价格与限额：把「白菜价」量化到小数点

说「便宜」得有数。下面这张对比图把三兄弟的价格并排摆了出来，结论一句话：vision-exp 和 flash 的价目表逐行完全相同，pro 则是它们的 3 倍。

完整价目（每 1M token，美元）：

计费项	`flash` / `vision-exp`（off-peak）	`pro`（off-peak）
输入（cache hit）	$0.007	$0.022
输入（cache miss）	$0.22	$0.66
输出	$0.66	$1.98

几点要划重点：

peak 时段翻倍：官方定义 peak 为 UTC 01:00–04:00 与 06:00–10:00，其余为 off-peak。想省钱，错峰调用，off-peak 直接半价。
图像 token 并入输入计费：图像折算的 token 和文本输入 token 一起按「输入价」算，命中缓存还能吃到 $0.007/M 的 cache-hit 价。
并发上限：vision-exp 和 flash 都是 2500，pro 是 500。也就是说视觉模型不但没降级，并发反而和 flash 一档，比 pro 还高 5 倍——这非常反直觉，也侧面说明它的定位就是「走量」。

再补一张限额表，接图之前务必过一遍：

限制项	值
支持格式	JPEG / PNG / GIF / WebP（按文件内容识别，不看文件名）
外链 URL 长度	8192 字符
请求体大小	48 MiB
单图（base64 / 外链）	32 MiB
单图（Files API file_id）	64 MiB
单请求图片数	600 张
单请求总图大小	64 MiB（含 file_id 可到 200 MiB）
最大边长	8192 px（≥15 张图降到 4096 px）

五、边界与坑：这些限制你必须提前知道

便宜不意味着没规矩。官方文档里明确列了几条「踩了直接 400」的硬限制，接图之前记牢：

图像只能出现在 user 消息里。放在 system 或 assistant 消息里会返回 400 错误。这跟很多模型不同，写多轮对话代码时最容易踩。
只有 vision 模型能看图。把图发给 deepseek-v4-flash 或 deepseek-v4-pro，会得到 400「This model does not support image」。
FIM（代码补全）不支持。flash 和 pro 在非思考模式下支持 FIM Completion，但 vision-exp 明确不支持。所以别指望它能「看着代码截图续写代码补全」。
能力面同样齐全：JSON Output、Tool Calls、Responses API、Anthropic API、Chat Prefix Completion 都是 ✓ 的。也就是说它不只是个「看图说话」工具，是可以塞进 Agent 工作流里当「眼睛」用的——配合 tool calls，让模型看图后再调用外部工具，这条链路是通的。
双协议支持：除了 OpenAI 兼容端点，还支持 Anthropic 兼容的 /messages 端点（base_url=https://api.deepseek.com/anthropic），图像用 source.type = base64 / url / file 的 image 块承载；Responses API 里则用 input_image 内容块。已经用 Claude 工具链的团队，几乎不用改代码就能切过来。

还有一句被很多人忽略、但非常重要的话：它是个 experimental（实验）模型。官方在模型列表里特意标注了这一点——能力和接口都可能变。所以现在是跑实验、做原型、批量读图的好时机，但把「生产关键链路」押在它上面之前，最好先做个灰度。

结语

「视觉按文本价卖」这句话听起来像营销，但拆完价目表你会发现它是字面意义上的事实：deepseek-v4-flash-vision-exp 和纯文本 flash 的每一行价格都相同，一张图封顶 384 token，缓存命中低到 $0.007/M，并发还开到了 2500。

这背后是一个清晰的战略信号：DeepSeek 不打算做一个「更贵的多模态旗舰」，而是要把视觉能力当作文本模型的默认配置往下沉。当「看图」不再是一笔需要精打细算的预算，OCR、截图问答、图表理解、批量图像处理这些被价格压抑的需求，会一下子全冒出来。

如果你想上手，就三步：申请一个 API key，pip install openai，把第三节里那三段代码里的 <DeepSeek API Key> 换成真 key、模型名填 deepseek-v4-flash-vision-exp，跑起来。等你看到一张图只花几毛钱就吐出一段精准描述的时候，就懂我说的「白菜价」是什么意思了。

本文所有价格、限额、token 换算规则、代码示例均核对自 DeepSeek API 官方文档（Models & Pricing、Vision 指南），数据采集于 2026-08-22。模型为实验性版本，参数可能变动，请以官方最新文档为准。

📺 相关视频

AI 圈核弹泄露！DeepSeek 视觉模型 v4-flash-vision-exp 现身 DSH 代码 — bilibili · 黑鸦Heya
顶级体验！DeepSeek V4 Vision 多模态模型介绍与效果实测 — bilibili · 九天Hector
DeepSeek 视觉模型已上线！V4 Vision 介绍及 API 配置方法 — bilibili · 沉默的羔丸ovo
号外：DeepSeek 发布图像理解模型 deepseek-v4-flash-vision-exp — bilibili · 洪哥等风来