DeepSeek于8月21日发布了实验性多模态模型deepseek-v4-flash-vision-exp，支持通过Base64编码、URL或FilesAPI三种方式输入图片。作者测试了该模型对集体照的理解能力，发现其对场景、文字和人物服饰的描述准确，但在清点人数（实际29人，模型识别为24人）时存在误差，与当前主流大模型的普遍表现一致。测试代码参考了DeepSeek官方文档，通过FilesAPI