DeepSeek-V4.1-Flash Vision API：如何把图像发给 DeepSeek 原生多模态模型

DeepSeek 的视觉能力在 2026 年 9 月 10 日不再是边角项目。随着 DeepSeek-V4.1-Flash 正式 GA，图像输入进了主模型，只挂一个 id：deepseek-flash。没有单独的视觉构建，也没有 “Exp” 后缀。发布说明同时下线了 deepseek-v4-flash 和 deepseek-v4-flash-vision-exp；打到这两个名字的请求，现在都落到 V4.1-Flash。

如果你三周前是按实验接口搭的，这件事就有影响。你对着 V4-Flash-Vision-Exp 写的请求格式还能用，但读图的模型是新的：763B 参数，视觉编码器从零训练，和文本骨干一起长出来。这篇指南会讲“原生多模态”在实践里意味着什么、三种送图方式、detail 参数、图像怎么计费，以及如何在 Apifox 里搭一套可重复的视觉测试，证明旧名字和新名字行为一致。

AI Coding 交流群

如果你也在用 AI 写代码，或者正在研究 Cursor、Claude Code 这些工具，欢迎加入以下交流群。群里平时会聊一些 AI 编程的实际用法、开发工作流，还有各种新工具和新玩法。

TL;DR

• 模型 id：deepseek-flash。遗留名字 deepseek-v4-flash-vision-exp 仍能解析，但由 V4.1-Flash 提供服务。
• 图像放在 user message 的 content 数组里：base64 data URL（每张最多 32 MiB）、外部 URL（最多 8,192 个字符），或 file ID。
• 可选 detail 字段：low、high（别名 original）或 auto。
• 视觉基准，DeepSeek 自己报告：MMMU-Pro 56.5，CVBench 77.9，DocVQA 95.6，RefCOCO 86.0。
• 价格就是标准 Flash 费率：cache-miss 输入 token 非高峰 $0.15 / 1M，高峰 $0.30。
• 上下文 1M tokens，最大输出 384K，和纯文本调用相同。

这里的“原生多模态”是什么意思

Vision-Exp 是给已经训完的文本模型再挂一个图像编码器。V4.1-Flash 反过来做。根据模型卡，图像从一开始就在 45T-token 的预训练语料里，编码器是全新的 DeepSeek-ViT，从零训练，而不是从现成视觉模型借来。骨干是 552B 参数的 mixture of experts；加上编码器后总量到 763B。prefill 时只有 8B 参数激活，decode 时 16B，所以这么大的模型仍能按 Flash 的速度和价格跑。V4-Flash API 指南里的纯文本模型 V4-Flash，正是 Vision-Exp 当时扩展的底座。

DeepSeek 在模型卡里给出这四项视觉分数。它们是厂商自己的测量，在你把自家文档真正打过 API 之前，先当主张而不是结论。

对 API 用户来说，要盯的是 DocVQA 和 RefCOCO 两行。文档问答对应发票和表单抽取。RefCOCO 是 grounding：给定 “the Submit button below the email field”，模型找不找得到？这项能力能把截图变成 Agent 动作。架构综述会更深入覆盖文本侧和技术报告。

请求格式：三种送图方式

线上格式没有任何变化。用 OpenAI SDK 调用 https://api.deepseek.com 的 Chat Completions 接口，把文本和图像部分放进同一个 content 数组，模型设为 deepseek-flash。下面是一个把发票转成 JSON 的完整调用：

import base64, json
from openai import OpenAI

client = OpenAI(api_key="YOUR_DEEPSEEK_KEY", base_url="https://api.deepseek.com")

with open("invoice-2026-0912.png", "rb") as f:
    image_b64 = base64.b64encode(f.read()).decode()

schema_hint = (
    "Return only JSON with keys: invoice_number (string), issue_date (YYYY-MM-DD), "
    "vendor (string), currency (string), line_items (array of {description, quantity, "
    "unit_price, amount}), subtotal, tax, total (numbers)."
)

response = client.chat.completions.create(
    model="deepseek-flash",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": schema_hint},
            {
                "type": "image_url",
                "image_url": {
                    "url": f"data:image/png;base64,{image_b64}",
                    "detail": "high",
                },
            },
        ],
    }],
    temperature=1.0,
    max_tokens=2048,
)

invoice = json.loads(response.choices[0].message.content)
print(invoice["invoice_number"], invoice["total"])
print(response.usage.prompt_tokens, "prompt tokens")

这是第一种：内联 base64。自包含，每张图上限 32 MiB，适合一次性调用，或文件永远不离开你网络的场景。

第二种是外部 URL。如果图像已经在 CDN 或对象存储上有公开链接，就跳过编码，直接传链接（最多 8,192 个字符）。下面这条 curl 读取一张托管的定价图：

curl https://api.deepseek.com/chat/completions \
  -H "Authorization: Bearer $DEEPSEEK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-flash",
    "messages": [{
      "role": "user",
      "content": [
        {"type": "text", "text": "List every plan name and its monthly price from this chart as a JSON array."},
        {"type": "image_url", "image_url": {"url": "https://assets.example-saas.com/pricing/plans-q3.png", "detail": "auto"}}
      ]
    }]
  }'

第三种是 file ID。通过 DeepSeek 的 Files API 上传一次图像，之后用 file 部分引用，而不再重发字节：

{"type": "file", "file": {"file_id": "file-api-xxxxxxxxxxxxxxxx"}}

同一张图会出现在多个请求里时，选 file ID，比如测试套件里每条用例都要对比的参考截图。完整参数走查见 V4.1-Flash API 指南。

detail 参数和请求限制

detail 是可选的，放在 image_url 对象里。三个取值从 Vision-Exp 沿用下来：

• "low" 缩到 512x512。最便宜也最快；适合“这是仪表盘还是收据”这类问题。
• "high"（别名 "original"）保留源分辨率。用于密文档、小字，以及 12px 标签也要紧的 UI 截图。
• "auto" 让 API 自己选。

你会最先碰到的上限：

Vision-Exp 指南还列过图像数量、body 大小和像素尺寸的额外上限。那些是给实验模型公布的；用在 V4.1-Flash 上之前，先查API changelog。有一条没变：图像只能放在 user message。放进 system 或 assistant message 会得到 400。

deepseek-flash 上图像怎么计费

没有单独的视觉价格。图像按输入 token，走 定价页上的 Flash 费率，自 2026 年 9 月 10 日 04:00 UTC 生效：

高峰是周一到周五 01:00 到 04:00 以及 06:00 到 10:00 UTC；非高峰半价。在 Vision-Exp 上，每张图最多按 384 个输入 token 计费。这个上限是否原样带到 V4.1-Flash，需要对照文档 [VERIFY]。每次响应的 usage.prompt_tokens 会报告真实计数，所以 Python 示例会把它打印出来。

如果 384-token 上限还在，高峰 cache-miss 下一张图大约 $0.000115，非高峰减半，一千张发票的图像输入大约 $0.12。真实流水线里占主导的是输出：每张发票 400 tokens 的 JSON，高峰时大约是图像本身的四倍。杠杆是收紧响应 schema，而不是把图缩小。高峰、非高峰和 cache-hit 的算法在 DeepSeek-V4.1-Flash 定价说明里展开过；短结论是：cache-miss 输入比 Vision-Exp 在 8 月的收费便宜 32%。

三个值得先做试点的用例

文档抽取。 发票、收据、送货单、保险表。prompt 要求固定 JSON schema，用 detail: "high" 发送，并在采信记录前核对明细合计是否等于小计。

用 UI 截图做测试断言。 部署后抓一页，问预期元素在不在、在哪，再把答案变成 pass/fail。相关基准是 RefCOCO：工作就是找被点名的元素。

读图。 从图表图像里抽出系列名、轴标签和描点数值，整理成表。交叉线和没标轴的图，需要人抽查。

在 Apifox 里测视觉接口

视觉请求用手迭代很痛苦：base64 团块会让 JSON body 没法读，对比 detail 设置又要来回倒腾几乎一样的 payload。下面这套循环能保持可读，并且一键重跑。

1. 先配环境。 为 base_url、api_key、model（deepseek-flash）和 detail（high）创建变量。之后换 detail 级别是下拉，而不是改 payload。
2. 在前置操作脚本里编码图像。 不要把 base64 贴进 body，让前置操作脚本编码样例文件，把结果写到 image_b64 变量。可见 body 只剩几行，换测试图只改一个路径。
3. 用变量保存请求 body。 使用 "model": "{{model}}"、"detail": "{{detail}}" 和 "url": "data:image/png;base64,{{image_b64}}"。存成测试用例，方便复用。
4. 对 JSON 形态做断言。 断言响应能解析成 JSON，invoice_number 是非空字符串，line_items 是非空数组，total 是数字，usage.prompt_tokens 低于你选定的阈值。这样“看起来还行”就变成 pass/fail。
5. 确认遗留名字路由到同一模型。 复制已保存的请求，把 model 设为 deepseek-v4-flash-vision-exp，在同一个测试场景里对同一张图跑两边。比较抽取字段和 usage.prompt_tokens。结果对得上，就印证了发布说明：两个名字都打到 V4.1-Flash，你可以放心地在配置里改名。
6. 放到 CI 里跑。 每次改 prompt 都用 apidog-cli 跑这个场景，让 schema 回归在上生产前暴露。

你现在可以怎么做

实验接口证明了请求格式和价格点。V4.1-Flash 把这两样留下，换上一个从第一个训练 token 起就见过图像的模型。把客户端指向 deepseek-flash，把 detail 放进变量，对返回的 JSON 做断言，再用同一套 Apifox 场景把遗留名字跑一遍，确认重路由。之后只剩一个问题：它在你自己的文档上准不准。你现在已经有能回答这个问题的测试。

开发必备：API 全流程管理神器 Apifox

介绍完上文的内容，我想额外介绍一个对开发者同样重要的效率工具 —— Apifox。作为一个集 API 文档、调试、设计、测试、Mock、自动化测试于一体的工具，Apifox 是目前提升研发效率的首选。

如果你正在开发项目，不妨试试其极其友好的界面设计，它完全兼容 Postman 和 Swagger 数据格式，导入数据非常方便，，即使是新手也能很快上手，点击这里即可注册使用。

值得一提的是，除了个人和常规团队使用，针对有高安全合规要求、或需要在内网环境协作的企业，Apifox 还提供了深度定制的私有化部署方案。

获取专属报价与部署方案

详细的私有化部署系统架构与安全白皮书

针对您公司规模的专属报价单

免费的 1v1 专属产品演示 (Demo) 机会

获取部署方案

* 提交后，我们的客户经理将在 1 个工作日内与您联系

林俊锋 企业微信

@Apifox 专属顾问

扫码备注: 私有化 + 公司名