DeepSeek多模态模型如何调用？

　　一、API调用：开发者最快接入方式

　　最新模型上线：2026年8月21日，DeepSeek推出多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp，正式上线API平台，用户通过设置

　　model='deepseek-v4-flash-vision-exp'

　　即可访问。

　　能力表现均衡：该模型在纯文本能力（Agent、推理、世界知识等）上与DeepSeek-V4-Flash正式版持平；在需要视觉理解的Agent Benchmark上实现大幅跃升，多模态Agent能力已接近Opus-4.8。

　　开源仓库可用：2026年4月30日，DeepSeek在GitHub正式发布多模态模型及配套技术报告，项目地址为``，开发者可自行下载部署。

　　二、产品端入口：普通用户直接可用

　　识图模式上线：2026年4月28日至29日，DeepSeek在官方App及网页端小范围灰度测试“识图模式”，定位为与“快速模式”“专家模式”平级的核心入口，具备完整的复杂多模态识别与深度图像理解能力。

　　大范围开放：2026年5月9日，识图模式大范围开放，几乎所有测试账号用户均可体验，目前仍标注“图片理解功能内测中”。

　　操作路径简洁：用户在对话界面选择“识图模式”后，直接上传图片即可获得基于图像内容的识别与分析结果，流程与日常聊天一致。

　　三、技术底座：高效压缩与精准指代

　　核心创新框架：新一代模型基于DeepSeek-V4-Flash（284B总参数、13B激活），提出“以视觉原语思考”（Thinking with Visual Primitives）框架，将点、边界框等空间标记融入思维链，解决自然语言在多模态推理中的“指代鸿沟”问题。

　　极高压缩效率：处理一张800×800分辨率图片时，视觉token消耗约90个，而GPT、Claude等主流模型通常在870至1100个之间；整体视觉token压缩比高达7056倍。

　　基准表现领先：在计数与空间推理等挑战性基准测试中，该模型表现达到或超过GPT-5.4、Claude-Sonnet-4.6和Gemini-3-Flash等前沿模型水平。