DeepSeek V4 Vision 规格速查

这是 DeepSeek 在多模态上的过渡版本，官方描述明确写了「matching the base model on text」——文本能力与基座持平，增量仅在图像理解。Exp 后缀意味着它不承诺稳定性，生产环境使用需要自己做回归测试。

一、规格与定价

二、千次调用要花多少钱

按每次 2,000 输入 token、500 输出 token 估算，1,000 次请求共消耗 2M 输入与 0.5M 输出，成本约 1.54 美元。

其中输出部分占 43%。这个比例决定了优化方向：占比高就压缩输出长度，占比低就把精力放在减少调用次数上。

按月 10 万次同规格请求估算，成本约 154 美元。把范围放宽到本文收录的 36 款模型（含本站已发的两篇），这一款的输入单价由低到高排第 17 位、输出单价排第 13 位。两组名次差得越大，说明它的价格结构越偏向「读」或「写」其中一侧。

三、适合与不适合

适合：

• 文档截图与表格识别
• 图文混合的抽取任务
• 成本敏感的多模态试验

不适合：

• 需要长期稳定 SLA 的生产服务
• 高精度视觉定位任务

按这组名次看，读写两侧的价格比较均衡：选型时不必为价格结构妥协，直接按能力与延迟挑即可。

数据取自 OpenRouter 公开模型目录快照（2026-11-09），价格与规格可能随厂商调整，做预算前建议再核对一次官方页面。