全文约 1800 字，阅读约 5 分钟。
DeepSeek 的视觉模型 API 上线后，开发者社区炸了锅。不是因为能力多强，而是因为一句话：「1000 张图只要 1 块钱」。便宜到让人怀疑是不是看错了小数点。
但便宜不等于能打。这篇文章把已知信息拆清楚：怎么调、怎么计费、和 GPT-4o 比差距在哪、什么场景该用它。
一、DeepSeek 视觉 API 调用：三种传图方式，兼容 OpenAI 格式
先说结论：如果你已经在用 OpenAI 的 API，迁移成本几乎为零。
模型名是 deepseek-v4-flash-vision-exp，能看图、读截图、分析图表。调用方式完全走 OpenAI 兼容的 Chat Completions 格式，改个 model 参数就能用。
官方文档列出三种传图方式：
Base64 内联：把图片编码成 data:image/jpeg;base64,... 直接放进请求体。适合本地文件，最简单。请求体上限 48 MiB。
外部 URL：传公网可访问的 http(s) 链接，模型自己下载。URL 最长 8192 字符，图片最大 32 MiB，下载需在 60 秒内完成。
Files API 引用：先上传图片拿到 file_id，之后每次请求只传 ID。同一张图反复使用，或图片超过 32 MiB（最大 64 MiB）时用这种方式。
这里有个坑要提醒：图片格式检测看文件实际内容，不看扩展名。改后缀骗不过去。
图片格式支持 JPEG、PNG、GIF、WebP。格式检测看文件实际内容，不看扩展名。改后缀骗不过去。
二、DeepSeek 视觉计费逻辑：图片按 token 算，单张封顶 384 token
一句话：图片不是按张收费，是按 token 收费，而且有封顶。
官方文档写得很明确：图片按尺寸换算成 token，和文本 token 一起计费。推理前图片会自动缩放。小于约 384×384 的会放大，大于的会缩小到约 800×800 的总像素量。
因此单张图片有 384 token 的上限——2000×2000 和 5000×5000 的图，缩放后消耗的 token 一样。
这意味着大图不会让成本失控。一张 4K 截图和一张普通照片，token 成本相同。对批量处理截图的场景，这个封顶设计很友好。
还有一个 detail 参数控制处理精度：
low 把图降到 512×512，更快更便宜；high 和 original 保持原图。粗读场景用 low 能省不少。
三、DeepSeek Flash 系列的价格定位：便宜但别期待深度推理
36氪快讯里「1000 张图只要 1 块钱」的说法，结合 384 token/张的上限，大致对得上：单张图片成本约 0.001 元。这个价格在主流视觉模型里有竞争力。
模型名里的 Flash 是关键信号。DeepSeek 的 Flash 系列定位是低延迟、高吞吐、低成本——适合跑量，不适合需要深度推理的复杂视觉任务。
官方尚未公布具体的每百万 token 定价表。但 Flash 系列的定位决定了它大概率比 DeepSeek 旗舰模型便宜一个量级。具体价格以官方定价页为准。
四、DeepSeek Flash-Vision 和 GPT-4o / Gemini 差距在哪
别指望 Flash 系列在视觉理解深度上对标 GPT-4o。定位不同。
GPT-4o 的视觉能力强在细粒度推理——复杂图表分析、多图对比、视觉逻辑题。Gemini 强在长文档和视频理解。DeepSeek-V4-Flash-Vision 的定位是高频、低延迟、低成本的视觉任务：截图文字提取、图片分类、简单描述、批量 OCR 辅助。
官方文档没有提到视频输入、多图联合推理、精细定位（bounding box）等能力。这些是 GPT-4o 和 Gemini 的强项。如果需要的是这些，Flash-Vision 目前不是替代品。
选型一句话：跑量选 Flash-Vision，深度理解选 GPT-4o，视频和长文档选 Gemini。
五、DeepSeek Flash-Vision 适合谁，不适合谁
适合的场景：图片批量处理、截图信息提取、内容审核辅助。Flash 系列的低延迟和低成本，对跑量场景是实打实的优势。已经在用 DeepSeek 文本 API 的团队，加一个视觉能力几乎零迁移成本。
不适合的场景：需要复杂视觉推理的——医学影像分析、精细 UI 自动化、多图逻辑对比。这些场景 Flash-Vision 的能力边界还没到，用 GPT-4o 或 Gemini 更稳妥。
模型名里带 exp，说明还是实验版。API 可能随时调整，生产环境接入前建议先小规模测试。
选型判断标准就一条：你的场景是跑量还是深度理解？跑量选 Flash-Vision，深度理解选 GPT-4o。
六、接入前检查清单
在把 Flash-Vision 接进生产环境之前，对着下面几条过一遍：
□ 确认你的图片格式在 JPEG、PNG、GIF、WebP 范围内
□ 确认单张图片不超过 32 MiB（超过用 Files API，上限 64 MiB）
□ 确认你的场景不需要视频输入或精细定位（bounding box）
□ 确认你能接受实验版 API 的调整风险
□ 确认你的调用量在 Flash 系列的低成本区间内
如果这五条都过了，可以小规模跑起来试试。
你打算用 Flash-Vision 做什么场景？评论区说一个，看看有没有同路人。
#DeepSeek #多模态API #视觉模型 #Flash系列 #开发者工具