DeepSeek V4-Flash-Vision-Exp bringt Vision für 384 Token pro Bild

DeepSeek hat am 21. August 2026 mit deepseek-v4-flash-vision-exp erstmals Bildverständnis in seine V4-Flash-API integriert. Das experimentelle Modell verarbeitet gemischte Text-und-Bild-Eingaben und soll Entwicklern eine kostengünstige Möglichkeit geben, Screenshots, Benutzeroberflächen, Diagramme und andere visuelle Zustände in Agenten-Workflows auszuwerten. 114

Der entscheidende Punkt ist der Preis: Jedes Bild wird für die Abrechnung mit höchstens 384 Eingabe-Token angesetzt und zum V4-Flash-Tarif berechnet. Eine zusätzliche Vision-Gebühr fällt laut DeepSeek nicht an. Das Unternehmen behauptet außerdem, die Leistung visueller Agenten nähere sich Claude Opus 4.8. Diese Aussage beruht allerdings auf von DeepSeek veröffentlichten Ergebnissen und ist bislang nicht unabhängig bestätigt. 319

Was das neue Modell kann

Der API-Modellname lautet deepseek-v4-flash-vision-exp. Die Variante kombiniert Bild- und Texteingaben mit der Textgenerierung und Tool-Nutzung der V4-Flash-Familie. Gemischte visuelle Prompts werden über die Schnittstellen Chat Completions, Messages und Responses unterstützt. 412

Damit geht die Veröffentlichung über eine reine Bildbeschreibung hinaus. Ein Agent kann beispielsweise einen Screenshot prüfen, daraus den nächsten Schritt ableiten, ein Tool aufrufen und anschließend den aktualisierten Bildschirm erneut analysieren. In veröffentlichten Demonstrationen erzeugte das Modell ausführbaren Code aus Screenshots und wurde für Workflows zur Spieleentwicklung mit visuellen Eingaben eingesetzt. 510

Drei Wege, Bilder an die API zu senden

Entwickler haben drei Möglichkeiten:

• Inline per Base64: Ein lokales Bild wird als Data-URL direkt in die Anfrage eingebettet.
• Externe URL: Die API erhält eine öffentlich erreichbare HTTP(S)-Adresse und ruft das Bild ab.
• Files API: Das Bild wird einmal hochgeladen und später über die zurückgegebene file_id referenziert. 6714

Die Files API kann kostenlos genutzt werden. Sie ist besonders praktisch, wenn eine Anwendung dasselbe Bild oder denselben visuellen Zustand wiederholt benötigt. Durch die erneute Verwendung der Dateireferenz müssen identische Bilddaten nicht bei jeder Anfrage erneut übertragen werden – das spart Bandbreite in wiederkehrenden Agenten-Schleifen. 112

Abrechnung: maximal 384 Token pro Bild

DeepSeek gibt an, dass jedes Bild für die Abrechnung auf höchstens 384 Eingabe-Token kommt. Diese Token werden zum normalen V4-Flash-Eingabetarif berechnet; ein eigener Premiumtarif für Bildverständnis ist nicht vorgesehen. 3614

Eine veröffentlichte Preistabelle nennt für das Vision-Modell zu Spitzenzeiten 0,44 US-Dollar pro einer Million nicht zwischengespeicherter Eingabe-Token sowie 1,32 US-Dollar pro einer Million Ausgabe-Token. Außerdem werden ein Kontextfenster von einer Million Token und eine maximale Ausgabe von 384.000 Token aufgeführt. 1

Berichte ordnen das 384-Token-Limit als weniger als die Hälfte des Bild-Token-Verbrauchs mancher GPT- und Claude-Vergleiche ein. Das ist eine grobe Richtungsangabe, kein vollständig standardisierter Benchmark: Die vorliegenden Vergleiche legen weder identische Modellversionen und Bildauflösungen noch dieselben Abrechnungsannahmen zugrunde. 327

Die praktische Bedeutung ist dennoch klar: Ein visueller Agent, der regelmäßig Screenshots prüft, kann die Bildanalyse zu einem planbaren, vergleichsweise kleinen Preis im Flash-Tarif durchführen. Für jede Beobachtung muss nicht automatisch ein teureres multimodales Modell eingesetzt werden.

Leistungsversprechen mit Vorbehalt

DeepSeek zufolge behält das neue Modell die Textfähigkeiten von V4-Flash bei – darunter Schlussfolgern, Weltwissen und Agentenfunktionen – und ergänzt diese um visuelle Eingaben. 626

Bei Benchmarks für multimodale Agenten meldete das Unternehmen einen deutlichen Fortschritt gegenüber V4-Flash und eine Leistung nahe Claude Opus 4.8. Einige veröffentlichte Vergleiche platzieren das Modell bei ausgewählten Aufgaben tatsächlich in der Nähe von Opus 4.8, während andere Tests Unterschiede zwischen den Benchmarks zeigen. 4192123

Das ist eine wichtige Einordnung: „Nahe an Opus 4.8“ beschreibt derzeit vor allem DeepSeeks eigene Evaluierungsergebnisse. Daraus folgt nicht, dass beide Modelle bei realen visuellen Agenten-Aufgaben gleich zuverlässig oder leistungsfähig sind. Unabhängige Tests müssen noch zeigen, wie gut die Bildinterpretation, die Zuverlässigkeit und die Tool-Nutzung außerhalb des von DeepSeek gewählten Testaufbaus funktionieren.

Integrationshinweis: Ausgabe-Budget im Blick behalten

Vor dem Einsatz in einer produktiven visuellen Schleife sollten Entwickler die Einstellungen für das Schlussfolgern sorgfältig testen. Ein Praxistest berichtete, dass sogenannte Thinking-Token das gesamte Completion-Budget aufbrauchen können, sodass keine sichtbare Antwort übrig bleibt. Als mögliche Gegenmaßnahmen wurden genannt, den Denkmodus bei geeigneten visuellen Aufgaben zu deaktivieren oder max_tokens zu erhöhen. 27

Das ist ein Integrationsproblem und kein allgemeines Urteil über die Fähigkeiten des Modells. Wenn der Denkmodus aktiviert ist, sollten Anwendungen genügend Ausgabekapazität für den internen Denkprozess und die eigentliche Antwort reservieren. Vor einer festen Implementierung sollten Teams außerdem die aktuellen DeepSeek-API-Dokumente sowie die dort verwendeten Parameternamen prüfen.

Warum Vision gerade auf Flash interessant ist

DeepSeek hat in den vorliegenden Quellen keine formale strategische Begründung für die Produktentscheidung geliefert. Das Design deutet jedoch auf einen konkreten Anwendungsfall hin: Visuelle Wahrnehmung soll günstig genug werden, damit Agenten sie wiederholt einsetzen können. Screenshots, Spielstände, Dashboards und Anwendungsoberflächen sind für einen Agenten nur dann wirklich nützlich, wenn er sie regelmäßig prüfen kann, ohne jede einzelne Schleife unverhältnismäßig teuer zu machen.

Als experimentelle Flash-Variante lässt sich die Bildverarbeitung zudem in bestehende, kostengünstige Agenten- und Tool-Calling-Workflows integrieren. Entwickler müssen ihre Anwendung nicht zwangsläufig auf eine separate Premium-Plattform für multimodale Modelle umstellen. Das macht die Veröffentlichung besonders interessant für Bildschirm-Agenten, Screenshot-zu-Code-Werkzeuge und Anwendungen, die häufig visuelles Feedback benötigen.

Unterm Strich bietet DeepSeek V4-Flash-Vision-Exp ein ungewöhnlich niedrig angesetztes Bild-Token-Limit und flexible Wege zur Bildübertragung. Die behauptete Benchmark-Nähe zu Opus 4.8 und das Verhalten im produktiven Einsatz müssen sich dagegen erst noch bestätigen. Für Entwickler ist ein kontrollierter Test mit realistischen Screenshots, ausreichend großem Ausgabe-Budget und unabhängigen Qualitätsprüfungen der sinnvollste Einstieg.