一张图最多384个Token：DeepSeek多模态模型背后的“极限压缩”艺术 - 蝈蝈俊
内容提要
DeepSeek推出多模态模型DeepSeek-V4-Flash-Vision-Exp，图片最多占384个Token，通过三级压缩技术大幅降低成本。模型侧重OCR和图像描述，非人脸识别，故认错人属设计初衷问题。API成本可预测，推理快，多模态能力接近Opus-4.8，体现低价高效理念。
延伸解读
384 Token上限的定价逻辑
DeepSeek将图片Token上限设为384，意味着API调用成本高度可预测，开发者无需担心用户上传超高清图片导致费用激增。按高峰时段缓存未命中价格计算，一张图片输入成本约0.001元，且图片与文本Token合并计费，价格与V4-Flash一致。这种设计降低了开发者的试错成本，尤其适合对成本敏感的应用场景。
压缩技术如何平衡能力与效率
DeepSeek通过三级压缩（ViT切块、空间合并、CSA稀疏注意力）将视觉Token从2916降至81个KV条目，整体压缩比达7056倍。尽管压缩幅度巨大，但多模态Agent能力接近Opus-4.8，说明压缩并未显著牺牲视觉理解能力。这得益于CSA机制保留关键视觉信息，同时降低KV缓存占用，提升推理速度。
识图模式的定位与局限
DeepSeek识图模式本质是OCR+图像描述工具，而非人脸识别系统。官方明确表示不具备人脸识别功能，因此认错人并非Token限制所致，而是设计初衷使然。用户需注意，该模型适合处理含文本的图片（如截图、图表），但对人脸等细节识别能力有限，使用时应根据场景选择合适的模型。
Q&A
DeepSeek-V4-Flash-Vision-Exp是什么？
DeepSeek-V4-Flash-Vision-Exp是DeepSeek于2026年8月21日推出的首个多模态视觉理解模型，标志着DeepSeek从纯文本大模型向多模态AI进军。
DeepSeek多模态模型如何将图片压缩到384个Token？
DeepSeek采用三级压缩技术：首先用DeepSeek-ViT视觉编码器将图片切分为14×14像素的图像块，例如756×756的图片生成2916个Token；然后进行空间压缩，将相邻3×3区域合并为1个Token，使Token数降至324；最后通过压缩稀疏注意力（CSA）机制将KV缓存中的视觉条目压缩4倍，最终得到81个视觉KV条目。整体压缩比高达7056倍，API计费上限设为384个Token。
DeepSeek多模态模型的图片Token上限是多少？成本如何？
一张图片最多占384个Token，按高峰时段缓存未命中价格计算，一张图片的输入成本约为0.001元。图片Token与文本Token合并计费，价格与V4-Flash模型一致。
DeepSeek多模态模型认错人（如将梁文锋识别为张一鸣）的原因是什么？
认错人的原因是DeepSeek的识图模式并非为人脸识别设计，它更像一个升级版的OCR和图像描述工具，主要读取图片中的文本或描述画面内容，不具备人脸识别功能。因此，即使Token限制不影响，模型也会认错人。
DeepSeek多模态模型在哪些任务上表现较好？
DeepSeek多模态模型擅长截图解析、界面识别、图表读取、图文混合任务等，在需要视觉理解的Agent Benchmark上相比V4-Flash大幅跃升，多模态Agent能力接近Opus-4.8。
DeepSeek的Files API有什么作用？
Files API是免费服务，用户可先将图片上传到平台，通过file_id在多个请求中引用，避免重复上传，节省带宽并提高调用效率。
DeepSeek多模态模型如何处理不同分辨率的图片？
模型在读取图片前会根据分辨率进行自适应缩放：小图（总像素低于384×384量级）会保持长宽比放大至该量级；大图则会保持长宽比缩小，将总像素控制在约800×800的量级。
