DeepSeek V4 Flash Vision Exp: Billig billedforståelse med et stort forbehold

Det gør Vision Exp interessant for udviklere af agenter. En agent kan eksempelvis læse et skærmbillede, et diagram eller et scannet dokument, før den vælger, hvilket værktøj den skal kalde. DeepSeek dokumenterer også en Codex-integration, hvor Vision Exp er en mulighed, der tilføjer billedinput.

DeepSeek oplyser desuden, at DeepSeek Harness 0.1.1 har fået understøttelse af modellen. Den tilgængelige dokumentation for DeepSeeks GitHub Copilot-integration nævner derimod V4 Pro og V4 Flash i modelvælgeren og beskriver billedhåndtering via en anden installeret Copilot-model. Den bekræfter derfor ikke, at Vision Exp kan vælges direkte dér.

Ydeevne: lovende tal, begrænset kontrol

DeepSeeks hovedpåstand er, at Vision Exp fastholder V4-Flashs tekstydelse og samtidig forbedrer resultaterne markant på multimodale agenttests – så meget, at modellen nærmer sig Claude Opus 4.8.

Sekundær omtale af lanceringen gengiver blandt andet en score på 64,3 i Chartography, 36,5 i ApexBench Pass@1, 27,3 i Agents’ Last Exam og 35,0 i ZeroBench Pass@5. Tallene stammer dog fra omtale af DeepSeeks meddelelse og ikke fra en detaljeret, uafhængigt reproducerbar sammenligning på tværs af leverandører.

Det er en vigtig forskel. »Tæt på Opus 4.8« betyder ikke nødvendigvis, at modellen generelt slår Claude, matcher den på alle opgaver eller har samme stabilitet i produktion. Det foreliggende materiale indeholder ikke en neutral test med identiske prompts, værktøjsmiljøer, svartider, fejlrater og omkostninger.

Den mest forsvarlige konklusion er derfor mere afgrænset: DeepSeek har lanceret en reel og dokumenteret API-model med billedforståelse, og selskabets egne tal tyder på et betydeligt løft i forhold til tekstmodellen V4-Flash på opgaver, hvor billeder er nødvendige. Modellens placering i forhold til Claude, OpenAI, Google og andre kinesiske AI-modeller er fortsat uafklaret.

Prisen er lav – på papiret

Tilgængelige modeloversigter angiver en pris på 0,22 dollar pr. million inputtokens og 0,66 dollar pr. million outputtokens samt et kontekstvindue på 1 million tokens. DeepSeeks officielle prisdokumentation bekræfter, at API-priserne beregnes pr. million tokens, og at deepseek-v4-flash-vision-exp indgår i modellisten.

Billeder omdannes til tokens og tæller med i API-afregningen. En omtale, der henviser til DeepSeeks offentliggjorte vejledning, angiver, at ét billede kan fylde op til 384 tokens, og at modellen følger V4-Flashs prisstruktur. Den reelle pris for en visuel arbejdsgang afhænger derfor også af billedernes antal og størrelse, den omgivende tekst, svarlængden og hvor meget kontekst der gentages.

Anthropic angiver Claude Opus 4.8 til 5 dollar pr. million basistokens for input og 25 dollar pr. million outputtokens. Der findes desuden særskilte priser for cache og hurtig tilstand.

På den rene tokenpris er DeepSeek dermed markant billigere. Det er en god grund til at teste modellen, men ikke i sig selv et bevis på lavere totalomkostninger. En billigere model kan blive dyrere i praksis, hvis den kræver flere gentagelser, laver flere værktøjsfejl eller kræver ekstra billedbehandling.

DeepSeek Vision Exp sammenlignet med Claude Opus 4.8

De to modeller har overlappende anvendelser, men står forskellige steder i markedet:

• DeepSeek V4 Flash Vision Exp er en eksperimentel, API-fokuseret multimodal model, der udvider en økonomisk Flash-model med billed- og agentfunktioner. Den er tilgængelig gennem DeepSeeks dokumenterede API-formater og har en væsentligt lavere angivet tokenpris end Opus.
• Claude Opus 4.8 er Anthropics flagskibsmodel med blandt andet justerbar indsats, hurtig tilstand og et mere etableret produkt- og platformlag. Standardprisen er 5 dollar pr. million inputtokens og 25 dollar pr. million outputtokens.

DeepSeeks strategiske budskab er derfor tydeligt: Selskabet vil bringe billedforståelse til en billigere modelklasse og samtidig hævde ydeevne tæt på en dyr frontier-model i multimodale agentopgaver. Det foreliggende materiale beviser ikke, at Claude er bedre på alle benchmarks. Anthropics fordel i denne sammenligning er snarere den mere dokumenterede modenhed, produktflade og etablerede værktøjsøkologi.

Sammenligningen bør foretages opgave for opgave. Til en pipeline, der læser skærmbilleder eller udtrækker data fra diagrammer, kan Vision Exp måske levere tilstrækkelig kvalitet til en langt lavere tokenpris. I en autonom arbejdsgang med høje krav er stabilitet, værktøjsnøjagtighed, afvisningsadfærd, overvågning, support og fejlhåndtering vigtigere end listeprisen alene.

Hvorfor lanceringen er vigtig

Vision er i stigende grad en del af agentarbejde – ikke blot en særskilt funktion til billedspørgsmål. Kodeagenter kan have brug for at læse skærmbilleder, browseragenter skal kunne fortolke sider, og virksomhedssystemer kan skulle kombinere dokumenter, diagrammer og strukturerede værktøjskald.

DeepSeeks V4-familie lægger allerede vægt på lange kontekster og agentopgaver, mens selskabets dokumentation beskriver Flash som den hurtigere og mere økonomiske model i familien. Vision Exp fortsætter den retning ved at føje multimodalitet til agentarbejdet i stedet for at lancere en ren billedmodel.

Det er dog ikke grundlag nok til at erklære DeepSeek foran Anthropic, OpenAI, Google eller førende kinesiske AI-laboratorier. De tilgængelige kilder indeholder ingen uafhængig sammenligning på lige vilkår, og en eksperimentel API-model er ikke det samme som et gennemprøvet flagskib til produktion.

Bør udviklere teste modellen?

Ja – men i et kontrolleret forsøg.

En nyttig test bør sammenligne Vision Exp med Claude Opus 4.8 og den nuværende produktionsmodel på de samme billed- og værktøjsopgaver. Mål blandt andet:

1. Hvor præcist modellen fortolker billeder, især små tekster, tabeller og diagrammer.
2. Hvor ofte den vælger det forkerte værktøj eller sender forkerte argumenter.
3. Hvor mange opgaver der gennemføres uden gentagelser eller menneskelig korrektion.
4. Svartid og svarlængde.
5. Input-, output- og billedtokenomkostninger.
6. Hvordan modellen håndterer uklare, beskadigede eller misvisende billeder.
7. Stabilitet på gentagne kørsler og ved små ændringer i prompten.

Den foreløbige dom er derfor forsigtigt positiv: DeepSeek V4 Flash Vision Exp er et troværdigt nyt multimodalt API-eksperiment med en attraktiv listepris og brugbare udviklergrænseflader. Påstanden om multimodale agentevner tæt på Claude Opus 4.8 er værd at undersøge – men endnu ikke noget, man bør acceptere som uafhængigt fastslået.