DeepSeek V4 Flash Vision 图像理解能力解析:单图最高消耗 384 token

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情


DeepSeek 给 V4 Flash 出了视觉版本,价钱和文本版一模一样。 模型 ID 是 deepseek-v4-flash-vision-exp,ofox 上的调用名为 deepseek/deepseek-v4-flash-vision-exp。

同样的 1M 上下文、同样的 384K 输出上限、同样的 2500 并发、定价表上每一行都同价。真正值得算的问题是:一张图变成 token 之后到底多少钱。这个数有硬上限。

模型:      deepseek/deepseek-v4-flash-vision-exp
价格:      峰时每百万 $0.44 输入 / $1.32 输出
            谷时 $0.22 / $0.66(峰时为 01:00-04:00、06:00-10:00 UTC)
缓存命中:  峰时 $0.014 / 谷时 $0.007 每百万
上下文:    输入 1M / 输出 384K
图片:      每张最多 384 token,单次请求最多 600 张
Thinking:  默认开启、effort 为 high,用 thinking.type 关掉
实测:      800×800 与 3000×3000 同为 348 个输入 token
计测日:    2026-08-21,每种配置跑 5 次

最后更新 2026-08-21。模型 ID 带 -exp 后缀,可用性按实验性对待,做长期依赖前请重新确认。

DeepSeek V4 Flash Vision Exp 是什么

就是能吃图的 V4 Flash,价格完全没动。 DeepSeek 定价页把三个模型并排列出,视觉版这一列和 flash 那一列逐格相同。

deepseek-v4-flashdeepseek-v4-flash-vision-expdeepseek-v4-pro
输入·缓存未命中(峰时)$0.44$0.44$1.32
输入·缓存命中(峰时)$0.014$0.014$0.044
输出(峰时)$1.32$1.32$3.96
上下文1M1M1M
输出上限384K384K384K
并发限制25002500500

谷时价全线是峰时价的一半。峰时为 01:00 到 04:00 与 06:00 到 10:00 UTC,三小时加四小时,剩下十七小时都按低价计。这个峰谷机制刚出来时,我们写过它对真实账单的影响。

有一处是往回退的。能力表上,FIM 补全在 V4 Flash 和 V4 Pro 上写的是「仅非思考模式支持」,到视觉版变成了 「不支持」。其余全部保留:JSON 输出、工具调用、Responses API、Anthropic 协议接口、对话前缀续写都打了勾。

一张图到底要花多少钱

800×800 的图是 348 个 token,3000×3000 的图还是 348 个。

每张图在推理前都会被缩放。总像素低于约 384×384 的会被放大,更大的会被缩小,都保持宽高比,目标是把总像素压到约等于一张 800×800 的图。文档里写明的后果是每张图封顶 384 token,所以一张 2000×2000 的照片和一张 5000×5000 的照片收一样的钱。

我们在 2026-08-21 通过 ofox 路由发了几张纯色测试图,减去同一句 prompt 的 91 token 纯文本基线:

图片prompt_tokens图片 token峰时输入成本
无(纯文本)910—
200×200207116$0.000051
800×800439348$0.000153
3000×3000439348$0.000153
6000×3000395304$0.000134

这张表里有两件事值得看。800×800 和 3000×3000 那两行完全相同,缩放规则做的正是文档所说的事。而 6000×3000 那行反而比正方形的更便宜,因为一张 2:1 的图被压进同样的总像素预算之后,切出来的 patch 比正方形少。

按每百万输入 token $0.44 算,一千张图峰时约合 一毛五美分,谷时再减半。图片输入这一项不值得你放进成本模型。值得放进去的是下一节。

thinking 模式会影响账单吗

它在模型看图之前就先多收了 80 个输入 token。 thinking 默认开启,effort 默认为 high。同一张图、同一句 prompt,每种配置各跑 5 次:

prompt_tokenscompletion 中位reasoning 中位耗时中位
默认(thinking 开)439114(68–425)911.9 秒
thinking: {"type": "disabled"}35919(18–20)01.0 秒

十次调用里 prompt_tokens 一次都没变过:开着是 439,关掉是 359,次次如此。这 80 个 token 的差是 API 在开启 thinking 时注入的模板,不管模型最后有没有真去推理,你都按输入价付了这笔钱。

输出侧的差距更大也更不可预测。开着 thinking 时,五次完全相同的调用里,「用一句话描述这张图」的 completion 在 68 到 425 token 之间浮动;关掉之后,同样五次返回 18 到 20 token。对这类任务来说,推理买到的是方差,不是准确度。

按峰时价算总账。开 thinking:439 输入加 114 输出,每次约 $0.000343。关掉:359 加 19,约 $0.000183。省掉将近一半,而用户看到的答案两边一样。

两种写法都能关掉:

{"thinking": {"type": "disabled"}}
{"reasoning_effort": "none"}

两个在我们这条路由上都生效,而且都让 usage 里的 reasoning_tokens 字段直接消失,不是变小。如果你想留着 thinking 但便宜点,先读一下官方的 effort 映射表:DeepSeek 把 low 映射成 low、max 映射成 max,而 medium、high、xhigh 全部映射成 high。你可能传的五个值里有三个其实是同一档,这和 GLM 5.3 用未文档 effort 值设的坑是同一回事。

图片怎么传

就是标准的 OpenAI 兼容 content 块。 三种传法:内联 base64、外部 URL、以及 Files API 的 file_id。

import base64
from openai import OpenAI

client = OpenAI(api_key="sk-...", base_url="https://api.ofox.io/v1")

with open("chart.png", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

r = client.chat.completions.create(
    model="deepseek/deepseek-v4-flash-vision-exp",
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "What is the trend in this chart?"},
        {"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}},
    ]}],
    extra_body={"thinking": {"type": "disabled"}},
)
print(r.usage)

直连 DeepSeek 时,base URL 换成 https://api.deepseek.com,模型名去掉 deepseek/ 前缀。Anthropic 协议的端点是 https://api.deepseek.com/anthropic,走 Responses API 时图片以 input_image 部件传递。

有两条限制是直接返回 HTTP 400 而不是降级处理的:图片只能放在 user 消息里,以及只有视觉模型收图。把图发给 deepseek-v4-flash,你会拿到 “This model does not support image”。

有哪些限制

限制项数值
格式JPEG、PNG、GIF、WebP(按文件内容判定,不看扩展名)
单次请求图片数600
请求体48 MiB
单张图·base64 或外链32 MiB
单张图·Files API file_id64 MiB
单次请求图片总量不含 file_id 时 64 MiB,含则最多 200 MiB
边长上限每边 8192 像素,请求含 15 张及以上图片时降为 4096 像素
外链 URL 长度8192 字符

边长那条是生产环境里最容易咬人的。一个批处理任务发十四张 6000 像素的截图没问题,第十五张会悄悄把整个请求的上限改掉。

该从 V4 Flash 换过来吗

只要你会传图,就换,因为换过来不要钱。 单价相同、上下文与输出上限相同、并发限制也相同。唯一失去的是 FIM 补全,那只对行内代码补全有意义。

负载类型判断
大批量截图与文档 OCR换。每页 384 token 很难被打败
图表与示意图解读换,但多步推断的场景把 thinking 留着
纯文本对话与分类换不换都行,价格一样
走 FIM 的行内代码补全留在 deepseek-v4-flash,视觉版没有 FIM
长时间跑图的 agent先测。-exp 后缀不是稳定性承诺

想看清楚各家多模态端点各自能做什么,我们的多模态 API 指南把视觉和语音放在一起讲了;同一个模型文本侧的单任务成本账,在 V4 Flash 对 Gemini 3.6 Flash 的对比里。

References

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1325

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 341

如何在Ubuntu 22.04上为AlphaFold3配置NVIDIA A100 GPU(含驱动安装避坑指南)

本文提供了在Ubuntu 22.04系统上为AlphaFold3部署NVIDIA A100 GPU的完整安装教程。内容涵盖从系统环境准备、NVIDIA驱动安装与避坑指南,到Docker容器化部署、数据库获取以及最终构建运行AlphaFold3的详细步骤,旨在帮助研究者和开发者高效配置高性能计算环境,充分发挥A100的硬件潜力。

nft7creator的博客 468

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 280

三、分区配置

rk3566/rk3568 修改分区

暮云星影的博客 518

三种 绘制奈奎斯特曲线 的方法

如何绘制Nyquist曲线 提供三种绘制方法,其中使用最广泛的是概略图绘制方法 ①解析法绘制 ②概略图法绘制 ③MATLAB绘制

weixin_46664967的博客 6万+

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 616

h5页面调用微信JS-SDK分享到微信好友或者朋友圈的配置

1.引入js <script type="text/javascript" src="http://res.wx.qq.com/open/js/jweixin-1.2.0.js"></script> 2.在页面添加配置 <script type="text/javascript"> var url = location.href..

tiantiandashi的博客 2万+

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 209

Android开发者必看:5分钟搞定DeepSeek API接入(附完整代码示例)

本文为Android开发者提供快速接入DeepSeek API的完整指南,包含环境配置、网络层设计、请求体构建等关键步骤,并附有详细代码示例。通过工程化实践,帮助开发者高效集成AI对话、代码生成等高级功能,提升移动应用竞争力。

bush的博客 543

从 ABAP 视角看 JSON :7.40 版本带来的那些改变

摘要:ABAP 对 JSON 的原生支持 随着企业系统与外部 API 的交互增多,ABAP 从 NetWeaver 7.40 开始原生支持 JSON 格式。通过复用现有 XML 基础设施,ABAP 团队引入 JSON-XML 概念,使用 sXML Library 和 IF_SXML=>CO_XT_JSON 常量处理 JSON 数据。开发人员可通过 CALL TRANSFORMATION 语句实现 ABAP 数据与 JSON 的双向转换,大幅简化了与外部系统的数据交互。这种标准化的 JSON 处理方式提

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 182

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

【Mode】多模干涉仪的设计 Multi-mode interferometer(MMI)

与 Splitter 器件一样,MMI 器件也是一种常见的分光器件,可以根据用户的需求将光束分成不同的比例。本文,我们将介绍如何仿真 MMI 器件。这里我们使用的是 1x2 MMI,其本质上是由四个部分组成的,中间的矩形多模式干涉区域以及左右两侧的三个 taper 模式转换区域。之前的教程中我们也提及了,为了获取稳定的模式场分布,通常,我们需要进行模式收敛性扫描。这里以官网给出的案例为例。如何提取 S 参数我们先暂时不做介绍,后续有时间了我们再做介绍。

u011699626的博客 1220

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363

【保姆级教程】教你如何轻松获取MIMIC数据使用权限

文章非常详细地介绍了MIMIC数据库申请使用的全部步骤。

越努力 越幸运 6603

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 87

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 163

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 514

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 619

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

408

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 402

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5168

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 573

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 182

面向工业对讲的双通道声学 DSP 模组 A-59(NR2050-A)方案解析与工程落地案例

A-59模组以NR2050-A DSP为核心,37.5×16mm邮票孔封装,支持-40℃~85℃工业温域,兼容A-06/A-09/A-29系列,可低成本替换存量设备。通过固件切换实现三种模式:模式一(低改版成本,适配矿井、电梯);模式二(最优AEC,用于医院呼叫);模式三(双波束独立输出,支持双人会议语音分离)。集成AEC、ENC、BF与AGC算法,有效抑制回声、噪声与串扰,解决对讲系统核心声学难题。选型需注意参考信号路径、麦间距与温度匹配,建议先做声学测试再量产。

R190_6589的博客 374
上一篇: AI 视频 API 全自动做 YouTube Shorts:一条 $0.3,4 分钟出片
下一篇: n8n 对接自定义 API 时 Base URL 配置在凭据中却返回 404 的排查思路
ofoxcoding
博客等级 码龄1年 167粉丝 85原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值