DeepSeek V4-Flash-Vision-Exp: Was die neue Bild-KI kann und kostet

Daraus lässt sich jedoch keine allgemeine Gleichwertigkeit mit Opus 4.8 ableiten. „Nahe an Opus 4.8“ beschreibt zunächst nur die Ergebnisse in der von DeepSeek ausgewählten Testreihe. Es sagt nicht, dass beide Modelle bei jeder visuellen Aufgabe, in jedem Coding-Workflow oder in langen Agenten-Sitzungen gleich zuverlässig arbeiten.

Entscheidend sind unter anderem Prompts, Werkzeuge, Testumgebung, Aufgabenauswahl, Latenz, Fehlerbehandlung und die jeweilige Bewertungsmethode. Die vorliegenden Ergebnisse stammen überwiegend aus DeepSeeks eigener Veröffentlichung. Für eine belastbare Rangliste fehlen unabhängige Reproduktionen.

Bei Text ist die Botschaft eher Kontinuität als Dominanz

Für textlastige Anwendungen verspricht DeepSeek vor allem, dass Vision-Exp das Leistungsprofil von V4-Flash bewahrt. Im offiziellen Changelog nennt das Unternehmen beispielsweise 83,9 Punkte bei Terminal Bench 2.1, 59,3 bei DeepSWE und 63,6 bei DSBench-Hard.

Das ist für die Modellauswahl wichtig:

• Bei reinen Textanwendungen erscheint Vision-Exp eher als Erweiterung von V4-Flash – nicht als nachgewiesener Ersatz für leistungsstärkere Spitzenmodelle.
• Für visuelle Agenten ist das zusätzliche Bildverständnis der eigentliche Grund, den Release zu testen.
• Für den produktiven Einsatz sollten Unternehmen die offiziellen Benchmarkwerte durch eigene Tests mit identischen Prompts, Tools, Daten und Latenzzielen ergänzen.

API-Zugriff: Chat Completions, Messages und Responses

Vision-Exp ist über die DeepSeek-API-Plattform verfügbar. Unterstützt werden Chat Completions, Messages und Responses; auch gemischte Eingaben aus Text und Bild sind möglich.

Bilder können auf drei Wegen übermittelt werden:

• als Base64-Data-URL,
• über eine öffentlich erreichbare HTTP(S)-Adresse oder
• über eine file_id-Referenz auf eine zuvor mit der Files API hochgeladene Bilddatei.

Unterstützt werden JPEG, PNG, GIF und WebP. In der Responses API wird das Bild als input_image-Inhalt übergeben; auch dort sind URL, Base64-Data-URL und hochgeladene Datei als Quellen vorgesehen.

Preise: maximal 384 Tokens pro Bild

DeepSeek wandelt Bildeingaben für die Abrechnung in Input-Tokens um. Nach Angaben des Unternehmens wird dabei pro Bild ein Maximum von 384 Input-Tokens angesetzt; abgerechnet wird nach dem V4-Flash-Preismodell.

Die zum Start veröffentlichten Preise betragen pro eine Million Tokens:

Die Obergrenze macht den Bildanteil einer Anfrage relativ kalkulierbar. Sie begrenzt aber nicht die Kosten für begleitenden Text, Tool-Aufrufe oder die generierte Antwort. Ein kompletter Agenten-Workflow kann daher deutlich mehr Tokens verbrauchen als das Bild allein.

Harness 0.1.1 und kostenlose Files API

Parallel zum Modell veröffentlichte DeepSeek Harness 0.1.1 mit sofortiger Unterstützung für Vision-Exp. Das ist besonders für Entwickler relevant, die Agenten mit Werkzeugen bauen und nicht nur einzelne Bilder analysieren lassen wollen.

Ebenfalls neu ist die kostenlose Files API. Ein Bild kann einmal hochgeladen und anschließend in weiteren Anfragen über seine file_id wiederverwendet werden, statt die Bilddaten jedes Mal erneut zu übertragen. DeepSeek dokumentiert Datei-Referenzen im Format file-api-....

Das eignet sich etwa für Agenten, die denselben Screenshot, dieselbe Dokumentseite oder ein visuelles Arbeitsergebnis über mehrere Gesprächsrunden hinweg prüfen. Die Files API selbst ist kostenlos; die anschließende Modellverarbeitung und der Tokenverbrauch bleiben jedoch abrechenbar.

Warum der Release für den KI-Wettbewerb zählt

DeepSeek konkurriert hier nicht nur über Modellqualität. Ebenso wichtig sind API-Kompatibilität, Bildunterstützung, Preise, wiederverwendbare Dateien und Werkzeuge für Agenten. Vision-Exp bringt eine visuelle Variante der Flash-Familie zu den veröffentlichten V4-Flash-Tokenpreisen auf den Markt, während Claude Opus 4.8 in DeepSeeks Vergleich als Premium-Gegenspieler dient.

Das passt zu einer größeren Verschiebung im Markt: Bildverständnis wird zunehmend zu einer Standardfunktion für Coding-Agenten, Dokumentenanalyse, Interface-Agenten und visuelle Tool-Nutzung – und soll dabei nicht ausschließlich den teuersten Modellen vorbehalten bleiben.

Trotzdem ist Vision-Exp derzeit ein experimenteller Release aus der Flash-Reihe, kein eindeutiger Beleg für DeepSeeks Vorherrschaft im Spitzenfeld. Ob das Modell dauerhaft relevant wird, hängt deshalb weniger an einer einzelnen Benchmark-Tabelle als an seiner Zuverlässigkeit im Alltag, an unabhängigen Tests und daran, ob Entwickler die niedrigeren Kosten gegenüber Premium-Modellen tatsächlich als Vorteil nutzen können.

Das nüchternste Fazit lautet: DeepSeek macht visuelles Schlussfolgern über sein bestehendes API-Ökosystem leichter zugänglich. Die frühen Ergebnisse deuten auf einen ernstzunehmenden Herausforderer in ausgewählten multimodalen Tests hin. Ob daraus eine belastbare Alternative zu Claude Opus 4.8 wird, müssen reale Anwendungen und unabhängige Evaluierungen erst zeigen.