DeepSeek V4 哪些型号支持图像输入?OpenRouter 逐款梳理与调用指南

OpenRouter:Announcements(RSS)·2026-09-16 08:00·2天前·OpenRouter
AI 导读

OpenRouter 梳理其目录中的 DeepSeek V4 系列图像输入支持情况:V4.1 Flash 原生读图(2026年9月10日上线,$0.15/$0.60 每百万 token)。

OpenRouter:Announcements(RSS)
精选
73AI 编辑部评分,满分 100

DeepSeek V4 哪些型号支持图像输入?OpenRouter 逐款梳理与调用指南

2026-09-16 08:00· 2天前· OpenRouter
AI 导读

OpenRouter 梳理其目录中的 DeepSeek V4 系列图像输入支持情况:V4.1 Flash 原生读图(2026年9月10日上线,$0.15/$0.60 每百万 token)。

推荐理由

原文逐一列出 DeepSeek V4 各型号是否支持图像输入、价格和调用方式,并给出文本-only 型号配视觉模型的两段式替代方案。

正文 · AI 翻译
Does DeepSeek V4 Have Vision?

DeepSeek V4 并不是一个模型。在我们的模型目录中,它是一个模型家族,包括 V4.1 Flash、V4 Pro 0813、V4 Flash 0731、V4 Flash Vision Exp、两个较早的 0423 checkpoint,以及一个 Flash“latest”别名。这些名称告诉你的是档位和发布时间,但不会告诉你哪些能接受图像。

本指南逐一介绍这个家族中的每个模型,给出我们目录中的确切 slug,并展示在图像上使用 V4 的两种方式。第一种是把图像发送给一个能读取图像的 V4 模型。第二种是在一个纯文本 V4 模型前面运行一个独立的视觉模型。

按模型给出的简短答案

有两个 V4 模型接受图像。DeepSeek V4.1 Flash 原生读取图像,是开展新图像工作的首选模型。DeepSeek V4 Flash Vision Exp 也能读取图像,DeepSeek 将其标记为实验性。

我们目录中其他所有 V4 slug 都是文本输入、文本输出。这包括 V4 Pro 0813V4 Flash 0731、两个 0423 checkpoint,以及 ~deepseek/deepseek-v4-flash-latest 别名。向这些模型之一发送带有 image_url 部分的请求会失败,因为该模型并未将 image 列为其输入模态之一。

Diagram of the DeepSeek V4 family on OpenRouter split by input modality. V4.1 Flash and V4 Flash Vision Exp accept text and images. V4 Pro 0813, V4 Flash 0731, V4 Pro 0423, V4 Flash 0423, and the flash-latest alias accept text only.

存在哪些 V4 模型,以及它们接受什么

该表列出了我们目录中的每个 V4 模型,并附有可回答该问题的模态列。价格是 2026 年 9 月 11 日目录中列出的每百万 token 费率,若列出的费率位数更多,则四舍五入到三位小数。

模型Slug输入输入 / 输出价格上下文图像输入
V4.1 Flashdeepseek/deepseek-v4.1-flash文本、图像$0.15 / $0.601,048,576
V4 Flash Vision Expdeepseek/deepseek-v4-flash-vision-exp文本、图像$0.22 / $0.661,048,576是的,实验性
V4 Pro 0813deepseek/deepseek-v4-pro-0813文本$0.579 / $1.7381,048,576
V4 Flash 0731deepseek/deepseek-v4-flash-0731文本$0.065 / $0.181,310,720
V4 Pro 0423deepseek/deepseek-v4-pro文本$0.860 / $1.7201,048,576
V4 Flash 0423deepseek/deepseek-v4-flash文本$0.085 / $0.1711,048,576

这六款模型都只返回文本。每个模型页面都会列出当前价格、上下文长度和输入模态,而这些值会随着提供商和 checkpoint 的变化而变化。在把某个 slug 投入生产环境之前,请先阅读该页面。

~deepseek/deepseek-v4-flash-latest 别名会重定向到 V4 Flash 系列中的最新模型。在撰写本文时,它解析为 Flash 0731,并列出文本作为其唯一的输入模态。请勿将该别名用于图像请求。请直接固定使用 deepseek/deepseek-v4.1-flashdeepseek/deepseek-v4-flash-vision-exp

V4.1 Flash 原生读取图像

DeepSeek V4.1 Flash 是首个基于 DeepSeek 因果编码器-解码器架构构建的模型。它从一个 552B 参数的主干中,在输入时激活 8B 参数,在输出时激活 16B 参数。图像理解是该架构的一部分,视觉和文本嵌入向量从预训练一开始就联合训练。它在 DeepSeek 端点上拥有 1,048,576 token 的上下文窗口和 384,000 token 的最大输出,并支持工具调用、response_format 和结构化输出。

用图像调用它,与你已经发起的聊天请求相同,只需在消息内容中加入一个图像部分。TypeScript SDK 将请求体嵌套在 chatRequest 下,并使用 camelCase 字段名,因此在 SDK 中图像部分是 imageUrl,而在传输线路上是 image_url

import { OpenRouter } from "@openrouter/sdk";

const openRouter = new OpenRouter({
  apiKey: process.env.OPENROUTER_API_KEY,
});

const result = await openRouter.chat.send({
  chatRequest: {
    model: "deepseek/deepseek-v4.1-flash",
    messages: [
      {
        role: "user",
        content: [
          { type: "text", text: "What error state is this screenshot showing?" },
          { type: "image_url", imageUrl: { url: "https://example.com/screenshot.png" } },
        ],
      },
    ],
    stream: false,
  },
});

if (!("choices" in result)) {
  throw new Error("Expected a non-streaming response");
}

console.log(result.choices[0]?.message.content);

url 字段接受公开图像 URL 或 base64 数据 URL。请先发送文本部分,再发送图像部分。图像输入指南涵盖了 base64 形式、支持的图像类型,以及在一个请求中发送多张图像。

V4 Flash Vision Exp 是实验性选项

DeepSeek V4 Flash Vision Exp 是 V4 Flash 0731 的实验性视觉增强版本。它增加了图像理解能力,同时在文本任务上与基础模型持平。它于 2026 年 8 月 21 日发布,在 2026 年 9 月 10 日 V4.1 Flash 发布之前,它是唯一接受图像的 V4 模型。

它接受与上方示例相同的请求,只需将 model 字段改为 deepseek/deepseek-v4-flash-vision-exp。它拥有 1,048,576 token 的上下文窗口,并支持工具调用、response_format 和结构化输出。

DeepSeek 将该模型标记为实验性。除非你有特定理由要测试这个实验性模型,否则新的图像工作请使用 V4.1 Flash;如果确实要测试,请固定确切的 slug。

在纯文本 V4 模型前面放置一个视觉模型

V4 Pro 0813、V4 Flash 0731 以及 0423 检查点均不接受图像。如果你想让其中之一对图像进行推理,请先运行一个视觉模型,并将其文本输出传入 V4 模型。V4 模型从不会看到像素,它读取的是描述。

有两个接受图像和视频输入的模型:Qwen3.8 27B,位于 qwen/qwen3.8-27b;以及 Kimi K3,位于 moonshotai/kimi-k3。我们的 视觉模型合集列出了所有接受图像输入的目录模型。

import { OpenRouter } from "@openrouter/sdk";

const openRouter = new OpenRouter({
  apiKey: process.env.OPENROUTER_API_KEY,
});

const imageUrl = "https://example.com/screenshot.png";
const userTask = "Explain the error and propose a fix.";

// Step 1: a vision model reads the image and returns a text description.
const seen = await openRouter.chat.send({
  chatRequest: {
    model: "qwen/qwen3.8-27b",
    messages: [
      {
        role: "user",
        content: [
          {
            type: "text",
            text: "Describe this screenshot for a reasoning model. Report only what is visible.",
          },
          { type: "image_url", imageUrl: { url: imageUrl } },
        ],
      },
    ],
    stream: false,
  },
});

if (!("choices" in seen)) {
  throw new Error("Expected a non-streaming response");
}

const description = seen.choices[0]?.message.content;

if (typeof description !== "string") {
  throw new Error("Expected a text description from the vision model");
}

// Step 2: a text-only V4 model reasons over the description.
const reasoned = await openRouter.chat.send({
  chatRequest: {
    model: "deepseek/deepseek-v4-pro-0813",
    messages: [
      {
        role: "user",
        content: `Image notes:\n${description}\n\nTask: ${userTask}`,
      },
    ],
    stream: false,
  },
});

if (!("choices" in reasoned)) {
  throw new Error("Expected a non-streaming response");
}

console.log(reasoned.choices[0]?.message.content);

qwen/qwen3.8-27b 替换为 moonshotai/kimi-k3,即可让 Kimi K3 处理图像;或者在文本轮次中将 deepseek/deepseek-v4-pro-0813 替换为 deepseek/deepseek-v4-flash-0731

两次调用比一次调用更贵。2026 年 9 月 11 日,Qwen3.8 27B 的标价为每百万输入 token $0.42、每百万输出 token $3.00,Kimi K3 的标价为 $2.10 和 $10.53。你还要在此基础上为 V4 模型付费。当你需要纯文本的 V4 模型或视频输入时,才使用这种模式,不要把它当作使用 V4 读取图像的默认方式。

该使用哪条路径

根据你需要的模型和你手头的输入来匹配路径。

  • 一张静态图像或文档,且 Flash 级别的质量就足够。 在一次调用中将其发送给 deepseek/deepseek-v4.1-flash
  • 一张静态图像,并且你想测试这个实验性模型。 在一次调用中将其发送给 deepseek/deepseek-v4-flash-vision-exp,并固定该 slug。
  • 在图像上使用 Pro 级推理。没有任何 V4 Pro 模型接受图像。请先运行一个视觉模型,并将其文本传入 deepseek/deepseek-v4-pro-0813
  • 视频输入。没有任何 V4 模型接受视频。请运行一个支持视频的模型,例如 Qwen3.8 27B 或 Kimi K3,并将其文本传入 V4 模型。视频输入指南介绍了请求的结构。
  • 文本与图像混合流量。将纯文本请求保留在你已在使用的文本模型上,并将图像请求发送至 V4.1 Flash。

如果图像在毫无预警的情况下到来,请检查你自己代码中的消息内容,并在发送请求前选定模型。提供商路由会在你所指定模型的各提供商之间进行选择。它不会切换到其他模型,因此无法将发往纯文本模型的图像请求转变为发往视觉模型的请求。

如何自行检查模型的模态

模型页面和 models API 是某个 slug 接受何种输入的权威来源。每个模型页面都会列出其输入和输出模态。models API 会在每个模型上返回与 architecture.input_modalities 相同的数据。

curl -s https://openrouter.ai/api/v1/models \
  | jq -r '.data[] | select(.id | startswith("deepseek/deepseek-v4")) | "\(.id)\t\(.architecture.input_modalities | join(","))"'

models 页面筛选图像输入后,会显示我们目录中所有接受图像的模型。如果后续的 V4 checkpoint 增加了图像输入,其模型页面和 API 响应都会显示出来,我们也会更新此页面。

常见问题

DeepSeek V4 Flash 支持视觉吗?

这取决于具体的 checkpoint。deepseek/deepseek-v4.1-flashdeepseek/deepseek-v4-flash-vision-exp 接受文本和图像。deepseek/deepseek-v4-flash-0731deepseek/deepseek-v4-flash 仅支持文本,而 ~deepseek/deepseek-v4-flash-latest 别名在撰写本文时指向 Flash 0731。

DeepSeek V4 Pro 支持视觉吗?

不支持。deepseek/deepseek-v4-pro-0813 和更早的 deepseek/deepseek-v4-pro 都将文本列为唯一的输入模态。要在图像上使用 Pro,请先运行一个视觉模型,再将其文本描述传入 Pro。

处理图像应该用哪个 DeepSeek V4 模型?

使用 deepseek/deepseek-v4.1-flash。它能原生读取图像,未被标记为实验性,并且在 2026 年 9 月 11 日的标价为每百万输入 token $0.15、每百万输出 token $0.60。deepseek/deepseek-v4-flash-vision-exp 是实验性的替代选项。

DeepSeek V4 的图像输入费用是多少?

图像输入按模型的 token 价格计费。2026 年 9 月 11 日,V4.1 Flash 标价为每百万 token 输入 $0.15、输出 $0.60,V4 Flash Vision Exp 标价为输入 $0.22、输出 $0.66。在制定预算之前请查看模型页面,因为标价会变动。

DeepSeek V4 能处理视频吗?

我们的目录中没有任何 V4 模型将视频列为输入模态。如需处理视频,请使用支持视频的模型,例如 qwen/qwen3.8-27bmoonshotai/kimi-k3,然后将其文本输出传入 V4 模型。

来源:OpenRouter:Announcements(RSS)· openrouter.ai