DeepSeek V4.1 Flash 支持图片吗？原生多模态视觉能力全解析
DeepSeek V4.1 Flash 是深度求索于 2026 年 9 月 10 日正式发布的 552B 参数 MoE 模型，它原生支持图片输入。这是 DeepSeek 首次在模型结构中内置视觉理解能力，不再是外挂一个独立的 Vision 模型。本文说明它的视觉能力边界、API 调用方式，以及在实际场景中如何落地。
一、从“外挂”到“原生”：架构层面的根本变化
在 V4.1 Flash 之前，DeepSeek 的视觉能力是通过 DeepSeek-V4-Flash-Vision-Exp 这个实验模型实现的。它的做法是：在纯文本 V4-Flash 的基础上，外接一个视觉编码器。
V4.1 Flash 彻底改变了这一路径。根据官方模型卡，图像从预训练第一天起就被纳入训练语料，视觉编码器是从零训练的新 DeepSeek-ViT，而非借用现成模型。这意味着视觉能力不再是“附加功能”，而是模型原生结构的一部分。
二、视觉能力具体表现
DeepSeek 官方公布的视觉基准测试成绩如下：
| 基准测试 | 评测内容 | V4.1 Flash 得分 |
|---|---|---|
| MMMU-Pro | 需要图文结合才能回答的大学级别问题 | 56.5 |
| CVBench | 自然照片中的计数、深度排序、空间关系 | 77.9 |
| DocVQA | 扫描文档和表单的问答 | 95.6 |
| RefCOCO | 在图像中定位短语所指的物体 | 86.0 |
其中 DocVQA 的 95.6 分尤其值得关注——它直接对应发票提取、表单识别等文档处理场景。RefCOCO 的 86.0 分则意味着模型具备“ grounding ”能力：你问“邮箱字段下方的提交按钮在哪里”，它能准确定位。
三、API 调用：标准多模态格式
V4.1 Flash 的 API 接口没有引入新的格式。开发者仍然使用标准的 OpenAI Chat Completions 格式，只需把模型名设为 deepseek-flash，然后在消息内容数组中同时放入文本和图片部分。
支持三种图片传递方式：
- Base64 内联：图片直接编码在请求中，单张上限 32 MiB，适合本地文件
- 外部 URL：图片已有公开链接，直接传入 URL
- File ID：通过文件上传接口获取的标识
from openai import OpenAI
client = OpenAI(
api_key="YOUR_DEEPSEEK_KEY",
base_url="https://api.deepseek.com"
)
response = client.chat.completions.create(
model="deepseek-flash",
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "这张图里有什么？"},
{"type": "image_url", "image_url": {"url": "data:image/png;base64,..."}}
]
}]
)注意：视觉能力在 Harness 等 Agent 框架中需要在模型配置里手动声明 input: [text, image]，否则框架会默认按纯文本处理，发图片会被拒绝。
四、实际应用场景
V4.1 Flash 的图片输入能力可以直接支撑以下场景：
- 文档提取：发票、扫描件、PDF 页面的结构化信息提取
- Agent 看屏幕操作：配合 Computer-use 能力，让 Agent“看着界面干活”
- 图表分析：从图表中提取数据、识别趋势
- 带图指令：用户上传截图后直接提问“这里哪里有问题”
五、补充：实在Agent已接入
如果你希望在 Agent 工作流中直接使用 V4.1 Flash 的视觉能力，实在Agent 已完成接入。它内置了 DeepSeek、千问、豆包、智谱等主流国产大模型，一个客户端内即可完成生文、生图、生视频、生 PPT 等操作。同时，它采用“API + GUI 双轨自动化”架构，有 API 的系统走 API，没有 API 的老旧系统通过屏幕语义理解直接操作界面，可将模型的“看图”能力直接转化为业务系统中的实际操作。
总结
DeepSeek V4.1 Flash 原生支持图片输入，视觉能力是模型结构的一部分，而非外挂模块。它支持标准 OpenAI 多模态格式，可通过 Base64、URL 或 File ID 传入图片。视觉基准中 DocVQA 得分 95.6，文档处理能力尤为突出。如果你需要通过 Agent 框架调用它的视觉能力，记得在配置中声明图片输入支持；如果希望开箱即用，实在Agent 已内置接入。
