DeepSeek API 正式支持图像理解（Vision）

发生了什么

DeepSeek API 官方文档新增「图像理解」指南，deepseek-v4-flash-vision-exp 模型现已正式支持在文本之外输入图片。用户可让模型描述图片内容、识别截图中的文字、分析图表、理解视觉信息等。

这是 DeepSeek 在多模态能力上的重要更新，模型同时兼容 OpenAI、Anthropic 和 Responses API 三种接口风格。

主要变化

支持的图片格式

• JPEG、PNG、GIF、WebP（按文件实际内容判断）

三种传图方式

1. Base64 内联（最简单）
   将图片转为 data:image/jpeg;base64,... 格式直接嵌入请求。适合本地文件，但受 48 MiB 请求体大小限制。

2. 外部图片 URL
   传入可公开访问的 http(s) 链接，模型自动下载。URL 最长 8192 字符，图片最大 32 MiB，需在 60 秒内完成下载。

3. Files API（推荐复用场景）
   先通过 Files API 上传图片获得 file_id，后续请求直接引用该 ID。单张图片最大支持 64 MiB，且不受单次请求体 48 MiB 限制，适合多轮对话或多次引用同一张图片。

细节级别（detail 参数）

• low：缩放至 512×512，速度快、省 token
• high / original：保留原图
• auto：自动选择（当前等价于 original）

Token 用量规则

• 图片进入模型前会自动缩放：总像素小于约 384×384 的保持长宽比放大；更大的图片保持长宽比缩小至约相当于 800×800 的尺寸。
• 每张图片 token 上限约 384 个（无论原始尺寸多大）。
• 多张图片时每张独立计算。

限制

• 单个请求最多 600 张图片
• 单张图片最大尺寸：单边最长 8192 像素（15 张以上时降为 4096 像素）
• 仅 deepseek-v4-flash-vision-exp 模型支持图片，其他模型会返回 400 错误
• 图片仅可出现在 user 消息中

对用户有什么影响

• 开发者：现在可以直接在 API 调用中混入图片，实现图文混合问答、截图解析、图表理解、视觉问答等场景，无需额外模型切换。
• 成本：图片按 token 计费，缩放规则使得大图成本可控；Files API 适合高频复用场景降低上传开销。
• 兼容性：同时支持 OpenAI Chat Completions、Anthropic Messages 和 Responses API 三种格式，迁移成本低。

相关背景

此前 DeepSeek 以纯文本推理见长，此次 Vision 能力的加入使其在多模态应用场景（如文档处理、界面理解、视觉搜索辅助等）更具竞争力。官方文档提供了完整的代码示例和 cURL 示例，开发者可直接参考接入。