DeepSeek научила быструю Flash читать картинки и открыла её в API
DeepSeek V4 Flash - недорогая скоростная модель китайской лаборатории DeepSeek (Дипсик), которую держат ради агентских сценариев и окна в миллион токенов. Раньше линейка работала только с текстом, а зрение жило в отдельных семействах VL и Janus. Новая сборка с пометкой Vision закрывает разрыв: изображение уходит в ту же модель, что и промпт, а тарифы остаются флешевыми.
Скриншот макета уходит в модель напрямую
Раньше картинку для DeepSeek прогоняли через сторонний распознаватель и скармливали модели текстовое описание. Теперь изображение идёт в запрос вместе с промптом, и модель сама разбирает, что на нём нарисовано.
Отсюда сценарий, ради которого мультимодальные модели и держат во фронтенде. Дизайнер отдаёт скриншот макета, модель читает сетку, отступы и состояния кнопок и пишет разметку. Работает и обратный ход: показать модели скриншот собственной страницы и спросить, где поехала вёрстка.
Картинку разрешено передать тремя способами:
- строкой base64 прямо в теле запроса;
- ссылкой на внешний URL;
- загрузкой в Files API, откуда файл потом вызывается по идентификатору.
Третий вариант интереснее остальных для агентов: один раз загруженное изображение переиспользуется по file_id, и длинная цепочка шагов не гоняет один и тот же файл заново. Хранение в Files API компания не тарифицирует.
Картинка стоит максимум 384 токена
DeepSeek переводит изображение в токены и добавляет их к текстовому вводу. Потолок - 384 токена на картинку, считаются они по обычным ставкам V4 Flash, отдельного прайса на зрение нет.
Ставки зависят от времени суток. Вне пиковых часов миллион входных токенов мимо кеша стоит $0,22, миллион выходных - $0,66. В пик обе цифры удваиваются: $0,44 и $1,32. Пик у DeepSeek приходится на 01:00–04:00 и 06:00–10:00 UTC, по Москве это 04:00–07:00 и 09:00–13:00. С 23 августа выходные целиком уходят в непиковый тариф.
Окно контекста у модели миллион токенов, максимальный размер ответа - 384 тысячи.
«Близко к Opus 4.8» - оценка самой DeepSeek
В анонсе компания пишет, что мультимодальные агентские тесты дали заметный скачок относительно обычной Flash и вывели новинку близко к Claude Opus 4.8. Формулировка аккуратная: «близко» на языке релизов значит, что до старшей модели Anthropic новинка по сумме тестов не дотянулась.
Проверить цифры по анонсу нельзя. Таблицы в тексте нет, результаты выложены картинкой, а сами тесты проводила DeepSeek. Anthropic к тому же выпустила Claude Opus 5 ещё 24 июля, так что сравнение идёт с предыдущим флагманом, а не с текущим.
Пометка Exp и отсутствие весов
Модель отдают по идентификатору deepseek-v4-flash-vision-exp, она работает в Chat Completions, Messages и Responses, а фирменный агентский запускатор DeepSeek Harness поддерживает её с версии 0.1.1. В приложении и на сайте DeepSeek новинки нет, весов на Hugging Face компания тоже не выложила.
Exp в имени - экспериментальный статус: поведение модели, лимиты и формат ответа могут поменяться без предупреждения. Для пилота этого хватает, для продакшена нужен свой набор проверок и запасная модель на случай, когда распознавание уедет.
Пакетную обработку картинок дешевле планировать на выходные
Дешёвое зрение в модели с миллионным контекстом закрывает рутину, которую раньше отдавали отдельным сервисам: alt-тексты и описания к каталогу картинок, вычитка чужих скриншотов, разбор экранов от клиента. Считать такие задачи стоит по непиковой ставке, а с 23 августа под это уходят выходные целиком. Начинать лучше с пробной партии в сотню изображений: на объёме разница между моделями видна яснее, чем в любом бенчмарке.
Сигналом будет снятая пометка, а не график
Заявка сильная, а проверить её пока негде: ни весов, ни таблицы с цифрами, ни доступа из приложения. Открытые веса Flash до сих пор выходили следом за API, и по ним будет видно, во что DeepSeek обошлось зрение. Убранная пометка Exp станет вторым сигналом, что эксперимент удался.
