精选9天前498 投票
DeepSeek 发布 v4-flash-vision-exp：视觉能力开放，支持图像理解与多模态交互
DeepSeek 近日发布了全新的视觉语言模型 deepseek-v4-flash-vision-exp，该模型在原有文本能力基础上新增了图像理解功能，支持用户上传图片并进行描述、OCR、图表分析等操作。模型兼容 OpenAI 的 Chat Completions 和 Responses API，开发者可通过三种方式传入图像：Base64 编码内联、外部 URL 以及文件上传。
核心能力与使用方式
新模型支持 JPEG、PNG、GIF 和 WebP 格式，格式检测基于文件内容而非文件名或 MIME 类型。用户可以通过标准的 content 数组结构同时传递文本和图像，实现多模态对话。
三种图像传入方式各有适用场景：
- Base64 编码：适合本地文件，直接嵌入请求，但受 48 MiB 请求体大小限制。
- 外部 URL：适合网络图片，模型会自行下载，URL 长度不超过 8192 字符，图片大小不超过 32 MiB，下载需在 60 秒内完成。
- 文件上传（通过 Files API）：适合大文件或需要持久化存储的场景。
官方示例提供了 Python 和 curl 两种调用方式，开发者可以快速上手。
行业意义与前景
DeepSeek 此举标志着其在大模型多模态领域的进一步布局。当前，多模态能力已成为大模型竞争的关键方向，从 GPT-4V 到 Gemini，各大厂商都在强化视觉理解。DeepSeek 以开源和性价比著称，此次推出视觉模型有望降低多模态应用的门槛，吸引更多开发者和企业用户。
值得注意的是，该模型目前标注为“exp”（实验性），意味着其性能和稳定性可能仍在优化中。不过，对于希望在中文环境下构建图像理解应用的团队来说，这无疑是一个值得关注的新选项。
未来，随着 DeepSeek 不断完善视觉模型，我们或许能看到更多基于该能力的创新应用，如智能客服、内容审核、教育辅助等。
