DeepSeek V4 Flash Vision Exp

DeepSeek V4 Flash Vision Exp — экспериментальная API-модель для агентов, которые понимают текст, изображения и результаты инструментов. Она сохраняет заявленный уровень текстовой DeepSeek V4 Flash, но добавляет работу со скриншотами, схемами и графиками. Цена Flash и контекст 1 млн токенов привлекательны, однако для production нужны собственные тесты, безопасный tool-контур и fallback: датированный checkpoint Vision Exp пока не заявлен.

Статус и связь с V4 Flash

Модель вышла 21 августа 2026 года под API ID deepseek-v4-flash-vision-exp. DeepSeek называет её экспериментальной и по текстовым агентам, рассуждению и знаниям сопоставляет с официальной V4 Flash. Это не переносит автоматически все свойства текстового checkpoint на Vision Exp.

Model card V4 описывает текстовую Flash как Mixture-of-Experts-модель на 285 млрд параметров с 13 млрд активных, гибридным attention и MIT-лицензией весов. Документ предшествует Vision Exp и указывает только текстовую модальность. Параметры, визуальный энкодер, веса и лицензия Vision Exp не раскрыты. Подтверждена связь с V4 Flash, но не 285B, открытые веса или локальный запуск.

API, изображения и Files API

Прямой доступ идет через DeepSeek. Поддерживаются OpenAI-совместимые Chat Completions и Responses на https://api.deepseek.com, а также Anthropic Messages на /anthropic. Картинку передают как base64, публичный URL или file_id после POST /files. Форматы — JPEG, PNG, GIF и WebP; сервер проверяет содержимое, а не расширение.

Ограничение	Значение
Тело запроса	48 MiB
Одно inline-изображение или внешний URL	32 MiB
Одно изображение через file_id	64 MiB
Количество изображений	до 600
Общий размер	64 MiB без file_id, до 200 MiB с ним
Размер стороны	8192 px; 4096 px при 15+ изображениях

Внешний URL ограничен 8192 символами и 60 секундами загрузки. Files API хранит до 10 000 файлов и 25 GiB; срок — от часа до 30 дней либо постоянный. Хранилище объявлено бесплатным, обработка картинки оплачивается как входные токены. Anthropic Files требует заголовок anthropic-beta: files-api-2025-04-14.

Картинка после масштабирования занимает не более 384 токенов. Малые изображения увеличиваются примерно до площади 384×384, большие уменьшаются до 800×800; высокое разрешение не гарантирует чтения мелких деталей. detail=low дает 512×512, а high, original и нынешний auto сохраняют исходную детализацию до общего preprocessing.

Контекст, режимы и цена

Контекст составляет 1 млн токенов, максимальный ответ — 384K; вход и генерация вместе помещаются в окно. Thinking включен по умолчанию на high; доступны low, high, max и отключение. В нем temperature, top_p и penalties не влияют на результат. При tool calls клиент обязан возвращать reasoning_content прошлых ходов, иначе получит 400.

1 млн токенов	Вне пика	В пик
Вход, cache hit	$0,007	$0,014
Вход, cache miss	$0,22	$0,44
Выход	$0,66	$1,32

Пик: 01:00–04:00 и 06:00–10:00 UTC по будням. Максимальные 384 image-токена при cache miss стоят около $0,000084 вне пика или $0,000169 в пик без текста и ответа. Тариф перепроверяют перед расчетом бюджета. Лимит — 2500 параллельных запросов на аккаунт; превышение дает 429.

Что показывают бенчмарки

Тест	Vision Exp	V4 Flash 0731	Opus 4.8
Terminal Bench 2.1	83,9	82,7	85,0
NL2Repo	57,7	54,2	69,7
Cybergym	75,3	76,7	78,3
DeepSWE	59,3	54,4	58,0
Toolathlon-Verified	75,9	70,3	76,2
DSBench-Hard	63,6	59,6	71,7
AutomationBench Public	25,7	25,1	27,2
ApexBench, Pass@1	36,5	26,2	39,4
Agents’ Last Exam	27,3	25,2	25,7
Chartography	64,3	—	65,0
ZeroBench, Pass@5	35,0	—	34,0

Это результаты DeepSeek, не независимый прогон. Для публичных текстовых Code Agent-наборов указаны Harness Minimal Mode, максимальный max_tokens, top_p=0.95 и temperature=1.0. Выпущенный тогда Harness 0.1.1 не подтвержден как версия оценки. Полные prompts, число прогонов и интервалы не опубликованы; DSBench-Hard ранее обозначен как внутренний. В ApexBench и Agents’ Last Exam V4 Flash игнорировала изображения, поэтому это не полноценный multimodal baseline.

Практические сценарии и ограничения

Vision Exp уместна для анализа интерфейса по скриншоту, диаграмм, фотографий, сканов и визуального результата инструмента. Responses API принимает картинку из function_call_output, поддерживая цикл «снимок — анализ — действие».

PDF не поддерживается: страницы преобразуют в изображения или извлекают текст. Модель не заменяет OCR — суммы, подписи и мелкий текст нужно перепроверять. В Chat Completions и Messages изображения допустимы только в user; в Responses — также в developer и output инструмента, но не в system или assistant.

Responses API остается stateless: нет previous_response_id, conversations, background mode и хранения. file_search, Code Interpreter, computer use и MCP игнорируются; из custom tools поддержан только apply_patch. Несовместимые параметры игнорируются молча, поэтому тестируйте поведение, не только HTTP 200.

Отдельная safety-оценка Vision Exp не опубликована. Изображение может содержать prompt injection. Tool-контур должен отделять данные от инструкций, ограничивать команды и домены, скрывать секреты и подтверждать необратимые действия. user_id изолирует safety-обработку и KV-кэш, но не должен содержать персональные данные.

Как выбрать модель и способ доступа

Для чистого текста разумнее стабильная deepseek-v4-flash: цена та же, а экспериментальная vision-ветка не дает подтвержденной пользы. V4 Pro стоит втрое дороже и не принимает изображения, зато остается кандидатом для самых трудных текстовых агентов. Vision Exp выбирают, когда изображение действительно влияет на решение и модель прошла закрытый набор скриншотов, документов и отказов.

Модель доступна и через OpenRouter, где подтверждены несколько провайдеров, но цена, retention и поддержка полей могут отличаться от прямого API. DeepSeek Coder CLI — сторонний, не официальный клиент: наличие слова DeepSeek в названии не подтверждает поддержку image input, поэтому модель и формат нужно проверять отдельно.

Частые вопросы

Можно ли использовать Vision Exp в production?

Технически да, но только после canary-тестов, фиксации API-контракта, мониторинга качества и настройки fallback: DeepSeek прямо помечает модель как экспериментальную.

Модель умеет читать PDF?

Напрямую нет. Поддерживаются JPEG, PNG, GIF и WebP; PDF нужно разбить на изображения или предварительно извлечь текст.

Сколько стоит анализ одной картинки?

Картинка занимает до 384 входных токенов. При cache miss это максимум около $0,000084 вне пика или $0,000169 в пик, плюс текст, reasoning и ответ.

Можно ли передавать несколько изображений?

Да, до 600 за запрос с учетом лимитов общего размера и уменьшенного максимума стороны при 15 и более изображениях.

Есть ли у Vision Exp открытые веса?

Официальный релиз этого не заявляет. MIT-лицензия и параметры опубликованы для текстовой V4, но отдельная model card Vision Exp отсутствует.

Почему изображение вызывает ошибку 400?

Проверьте точный model ID, роль сообщения, MIME-содержимое и взаимоисключающие image_url/file_id. Обычные V4 Flash и V4 Pro изображения не принимают.

Источники

• Релиз DeepSeek V4 Flash Vision Exp
• DeepSeek API: Vision
• DeepSeek API: Files API
• Модели и цены DeepSeek API
• Совместимость Responses API
• DeepSeek V4 model card