DeepSeek v4 Flash Vision Exp

透過 GPTProto 呼叫 DeepSeek 的實驗性多模態 V4 Flash 模型，適用於可辨識螢幕截圖的程式設計、圖表分析、視覺 QA 與工具驅動的代理工作流程。一組 API 金鑰與共用餘額，即可通用於 200 多個受支援的模型。

模態

上下文

API 呼叫範例

curl --request POST "https://gptproto.com/v1/chat/completions" \
    --header "Authorization: Bearer $GPTPROTO_API_KEY" \
    --header "Content-Type: application/json" \
    --data '{
        "model": "deepseek-v4-flash-vision-exp",
        "messages": [
            {
                "role": "user",
                "content": "Hello"
            }
        ]
    }'

DeepSeek v4 Flash Vision Exp 定價

聊天、程式開發代理與文件處理。以每 1M Token 計價 — 輸入、快取輸入與輸出分開計費。

場景	DeepSeek 牌價	OpenRouter	GPTProto	每月節省
Personal10M tokens / 月（4.8M 快取）	$3.39	$3.58	$3.39	−$0.00≈ $0.00 / 年
Team100M tokens / 月（48M 快取）	$33.89	$35.75	$33.89	−$0.00≈ $0.00 / 年
Business500M tokens / 月（240M 快取）	$169.44	$178.76	$169.44	−$0.00≈ $0.00 / 年

各來源月成本

OpenRouter

$0.00

DeepSeek

$0.00

GPTProto

$0.00

每月節省 $0.00

年省約 $0.00 · 隨用隨付

適用於視覺程式設計與代理的 DeepSeek V4 Flash Vision Exp API

運用 DeepSeek V4 Flash Vision Exp API，在同一個工作流程中結合圖片、文字、推理與工具呼叫。模型能檢視螢幕截圖、讀取畫面上的文字、解讀圖表，並在處理程式碼或多步驟任務時運用視覺證據。它保留了 V4 Flash 的文字能力，同時加入了原生的圖片輸入。

原生圖片理解能力

可連同文字指令一起送出螢幕截圖、圖表、介面草圖或其他圖片。模型會回傳文字，並能在決定下一個要呼叫的工具時，運用視覺上的發現。

1M 脈絡與 384K 輸出

把大型儲存庫、冗長的對話、工具結果與視覺證據都放進同一次請求中。文件記載的模型上限為 1M token 脈絡窗口，以及最高 384K 輸出 token。

三種 API 格式

DeepSeek 文件記載這個視覺模型支援 Chat Completions、Messages 與 Responses，讓你更容易串接既有的代理框架，不必重新設計整個請求流程。

可預期的圖片 token 用量

圖片會被轉換成輸入 token，並與文字一併計費。DeepSeek 將每張圖片的上限設為 384 個 token，有助於團隊估算重複截圖與多圖工作流程的成本。

什麼是 DeepSeek V4 Flash Vision Exp API？

DeepSeek V4 Flash Vision Exp 是 V4 Flash 模型的實驗性多模態版本，於 2026 年 8 月 21 日透過 DeepSeek API 發布。它接受文字與圖片輸入，並產生文字輸出。DeepSeek 表示，它在純文字代理、推理與世界知識方面的能力可與標準版 V4 Flash 相提並論，同時回報在需要視覺理解的代理基準測試上有大幅進步。

主要的差異並不只是圖片描述而已。一個由工具驅動的代理，可以從瀏覽器或測試工具取得螢幕截圖，找出版面或內容的問題，修改檔案，再次請求新的截圖，並重新評估結果。這讓該模型在前端程式設計、視覺回歸分診、圖表分析、文件影像審查，以及關鍵證據無法以純文字取得的工作流程中，都相當實用。

規格	DeepSeek V4 Flash Vision Exp
供應商	DeepSeek
發布狀態	實驗性 API 模型，2026 年 8 月 21 日發布
官方模型 ID	`deepseek-v4-flash-vision-exp`
輸入 / 輸出	文字與圖片 / 文字
脈絡窗口	1M token
最大輸出	384K token
思考模式	思考與非思考模式；文件記載預設為思考模式
API 格式	Chat Completions、Messages 與 Responses
圖片傳遞方式	外部網址、base64 資料網址，或 DeepSeek 官方 API 的 Files API
支援的圖片格式	JPEG、PNG、GIF、WebP
圖片 token 用量	每張圖片最多 384 個輸入 token
工具呼叫與 JSON 輸出	支援
FIM 補全	視覺模型不支援
開放權重狀態	截至 2026 年 8 月 25 日，尚未發布獨立的官方 Vision Exp 權重

DeepSeek V4 Flash Vision Exp 的應用場景

以螢幕截圖驅動的前端程式設計：給代理目標設計稿、目前的瀏覽器渲染結果與編輯工具。它能找出肉眼可見的差異、修補實作，並檢視下一張截圖。視覺檢查應作為 DOM 檢查與自動化測試的補充，而不是取代它們。

視覺錯誤分診：把錯誤截圖與記錄檔及相關的原始檔結合在一起。模型能將使用者看到的畫面，與程式碼庫中的文字證據連結起來，進而提出範圍明確的修正，或呼叫診斷工具。

圖表與儀表板分析：請模型解讀趨勢、標籤與肉眼可見的異常。擷取出的數字仍須與底層資料集核對，因為視覺判讀無法取代結構化的資料存取。

簡報與多圖審查：在代理草擬或檢查簡報時，把頁面圖片當作參考；或是以一致的評量標準，批次處理大量截圖。在依賴自動核准之前，請先測試小字級文字、密集表格與細微的視覺細節。

視覺能力如何改變程式代理的迴圈

擷取證據：由瀏覽器、測試工具或使用者，連同任務與相關的文字脈絡一併提供螢幕截圖。
檢視與規畫：模型辨識出可見的元素，與需求進行比對，並選擇下一個要使用的程式碼、瀏覽器或分析工具。
修改與驗證：代理編輯檔案或設定，執行確定性的檢查，並擷取新的渲染畫面。
再次比對：模型檢視新的圖片，只有在視覺結果與非視覺的驗收檢查彼此一致時，才繼續往下走。

模型並不會因為支援圖片，就自動取得瀏覽器的控制權。你的應用程式仍然需要提供工具、權限、逾時設定與驗收標準。模型存取只是其中一層；外層的代理框架才掌管執行與安全。

開發者需要預先規畫的圖片輸入限制

DeepSeek 目前的官方 schema 接受 JPEG、PNG、GIF 與 WebP。在 Responses 格式中，detail: low 會將圖片降取樣為 512 × 512，而 high、original 與 auto 則保留原始圖片。供應商文件記載每次請求最多 600 張圖片，內嵌圖片上限為 32 MiB，透過 file_id 參照的圖片則為 64 MiB。

在 Responses 格式中，圖片可放在 user 或 developer 訊息，以及工具呼叫的輸出中；放在 system 或 assistant 訊息中的圖片會回傳錯誤。在把批次工作流程搬進正式環境之前，請以 GPTProto 線上的「API 使用方式」範例為準，確認支援的請求形式與任何閘道特有的限制。

DeepSeek V4 Flash Vision Exp 對比 DeepSeek V4 Flash

決策因素	Vision Exp	V4 Flash
發布狀態	實驗性多模態端點	穩定的文字模型
原生輸入	文字與圖片	僅文字
文字能力	DeepSeek 定位為與 V4 Flash 相當	V4 Flash 的基準能力
仰賴視覺的代理	設計上可運用螢幕截圖、圖表與工具回傳的圖片	會忽略或無法直接處理原生圖片內容
脈絡 / 最大輸出	1M / 384K	1M / 384K
圖片 token 計費	每張圖片最多 384 個輸入 token	不適用
FIM 補全	不支援	在非思考模式下支援
最適合	視覺程式設計、UI 檢查、圖表分析、多模態工具迴圈	純文字程式設計、記錄檔、結構化擷取，以及大量的代理子任務

當圖片中帶有代理採取行動所需的資訊時，就選擇 Vision Exp。當工作負載完全是文字、穩定端點比視覺輸入更重要，或應用程式已經把圖片轉換成經過驗證的結構化資料時，請選擇DeepSeek V4 Flash。DeepSeek 公布的比較指出，兩個版本在文字任務上表現相當，因此沒有理由把每一個純文字請求都導向這個實驗性模型。

什麼時候該選擇 DeepSeek V4 Flash Vision Exp？

當代理迴圈中反覆出現螢幕截圖或視覺素材時，就選擇它：前端實作、以瀏覽器為基礎的 QA、圖表審查、簡報產生，或是可見狀態至關重要的客服案件。它的 1M 脈絡與 384K 輸出，也很適合長時間的儲存庫工作階段。

當圖片無關緊要時，請使用穩定的純文字模型。對於風險較高的多模態程式設計，請用相同的任務，將 Vision Exp 與GPT-5.6 Sol、Claude Opus 5、Kimi K3進行比較。DeepSeek 並未提供與這三個模型對等的公開結果。在決定預設路由之前，請先衡量任務完成率、重試次數、無效的工具呼叫、視覺準確度、延遲，以及每一個被接受結果的成本。

DeepSeek V4 Flash Vision Exp：常見技術問題

DeepSeek V4 Flash Vision Exp 的模型 ID 是什麼？

DeepSeek 的官方模型 ID 是 deepseek-v4-flash-vision-exp。在部署之前，請確認 GPTProto 線上「快速開始」中顯示的是同一個字串。

如何取得 DeepSeek V4 Flash Vision Exp API 的存取權與 API 金鑰？

註冊 GPTProto 帳號、產生一組 API 金鑰，並選用線上「快速開始」中顯示的模型字串即可。同一組金鑰與同一筆餘額就能用來比較其他受支援的模型，不必另外開立各家供應商的帳號。

可以在 Playground 中測試 DeepSeek V4 Flash Vision Exp API 嗎？

在串接端點之前，請先使用 GPTProto Playground 測試一張螢幕截圖與提示詞。請確認 Playground 選到的是 Vision Exp 模型，而不是純文字的 V4 Flash 模型。

選擇 DeepSeek V4 Flash Vision Exp API 供應商時，該檢查哪些項目？

請確認確切的模型字串、可接受的圖片傳遞方式、請求大小上限、速率限制、工具支援、記錄機制與備援行為。GPTProto 提供單一金鑰與共用餘額，方便你在受支援的供應商與模型之間進行比較。

DeepSeek V4 Flash Vision Exp 支援哪些輸入？

它接受文字與圖片混合輸入，並回傳文字。DeepSeek 官方 API 接受外部圖片網址、base64 資料網址，以及透過 Files API 上傳的圖片參照。

DeepSeek V4 Flash Vision Exp API 的費用是多少？

GPTProto 以目前的標準費率列出此模型。計費以 token 為基礎：圖片 token 會併入文字輸入 token，且每張圖片最多消耗 384 個輸入 token。請以線上的定價面板為準。

脈絡窗口與最大輸出是多少？

文件記載的脈絡窗口為 1M token，最大輸出為 384K token。輸入文字、圖片 token、對話紀錄、工具結果、推理過程與生成的輸出，全都會消耗可用的脈絡額度。

DeepSeek V4 Flash Vision Exp 是開源或開放權重模型嗎？

DeepSeek 已釋出標準版 V4 Flash 的權重，但截至 2026 年 8 月 25 日，尚未為 Vision Exp 檢查點另外發布官方模型卡或權重儲存庫。在 DeepSeek 公布可下載的權重與授權之前，請將這個視覺模型視為僅能透過 API 使用。

DeepSeek V4 Flash Vision Exp 適合用來寫程式嗎？

當程式設計工作必須仰賴視覺證據時，答案是肯定的。它能檢視設計稿、瀏覽器截圖、圖表，或工具回傳的圖片，同時保留 V4 Flash 的文字能力。驗收時請搭配測試、linter、DOM 斷言與人工複審，而不是只依賴視覺判斷。

DeepSeek V4 Flash Vision Exp 對上 GPT-5.6、Opus 5 或 Kimi K3：該選哪一個？

目前並沒有經過驗證的公開基準測試，能證明在這些現役模型中存在唯一的普遍贏家。如果你想要 V4 Flash 風格的文字行為再加上圖片輸入，就從 Vision Exp 開始。面對困難或不容失敗的多模態工作，請用相同的工具、截圖、提示詞與驗收測試，與 GPT-5.6 Sol、Claude Opus 5、Kimi K3 互相比較。

Vision Exp 端點適合用於正式環境嗎？

它被明確標示為實驗性版本。請使用版本化的評估任務、請求記錄、受限制的工具權限、備援機制與金絲雀發布。在 DeepSeek 發布穩定的視覺版本之前，請不要假定其行為、限制或可用性會維持不變。

為什麼圖片請求會回傳 400 錯誤？

請檢查模型 ID、內容片段類型、圖片角色、網址是否可存取、檔案大小與請求格式。DeepSeek 的 Responses schema 會拒絕放在 system 或 assistant 訊息中的圖片，並要求每個圖片片段只能包含 image_url 或 file_id 其中之一，不能兩者同時出現。