DeepSeekin uusi malli näkee kuvat ilman erillistä vision-lisää

DeepSeek julkaisi 21. elokuuta 2026 kokeellisen deepseek-v4-flash-vision-exp-mallin, joka lisää kuvien ymmärtämisen V4-Flash-rajapintaan. Kehittäjät voivat nyt lähettää mallille tekstin ohella esimerkiksi kuvakaappauksia, käyttöliittymiä, kaavioita ja muuta visuaalista tilaa. 114

Julkaisun kiinnostavin yksityiskohta ei kuitenkaan ole pelkkä näkökyky vaan hinta: DeepSeek ilmoittaa yhden kuvan kuluttavan laskutuksessa enintään 384 input-tokenia, jotka hinnoitellaan V4-Flashin normaalin hinnaston mukaan. Kuville ei siis ole erillistä vision-lisämaksua. 319

Mitä uusi malli tuo kehittäjille?

Mallia kutsutaan API:ssa tunnisteella deepseek-v4-flash-vision-exp. Se hyväksyy tekstin ja kuvat samassa pyynnössä ja säilyttää V4-Flash-perheen tekstintuotannon, päättelyn sekä työkalujen käytön perustan. Sekamuotoisia kuvapyyntöjä tuetaan Chat Completions-, Messages- ja Responses-rajapinnoissa. 412

Kyse ei siten ole vain kuvien kuvailuun tarkoitetusta ominaisuudesta. Agentti voi esimerkiksi tarkastella käyttöliittymän kuvakaappausta, päättää seuraavan toimenpiteen, kutsua työkalua ja analysoida sen jälkeen uuden ruutukaappauksen. Raportoiduissa esimerkeissä kuvakaappauksista tuotettiin ajettavaa koodia, ja visuaalista syötettä hyödynnettiin pelien rakentamiseen. 510

Kolme tapaa lähettää kuva

Kehittäjällä on kolme vaihtoehtoa:

• Base64 upotettuna: Paikallinen kuva voidaan liittää pyyntöön data-URL-osoitteena.
• Ulkoinen URL-osoite: API voi noutaa kuvan julkisesta HTTP(S)-osoitteesta.
• Files API: Kuva ladataan kerran, minkä jälkeen sitä käytetään myöhemmissä pyynnöissä palautetulla file_id-tunnisteella. 6714

Files API:n käyttö on maksutonta. Se sopii erityisesti sovelluksiin, jotka tarkastelevat samaa kuvaa tai kuvakaappausta toistuvasti: identtistä kuvatiedostoa ei tarvitse lähettää jokaisella kierroksella uudelleen, mikä vähentää tiedonsiirtoa agentin työskentelyssä. 112

Hinta: enintään 384 tokenia kuvaa kohden

DeepSeekin mukaan jokainen kuva muunnetaan laskutusta varten enintään 384 input-tokeniksi. Tokenit veloitetaan V4-Flashin normaalilla input-hinnalla, joten kuvien ymmärtäminen ei siirrä sovellusta erilliseen kalliimpaan multimodaaliseen hintaluokkaan. 3614

Julkaistu hinnasto ilmoittaa vision-mallin huippuajan hinnaksi 0,44 dollaria miljoonaa välimuistittamatonta input-tokenia kohden ja 1,32 dollaria miljoonaa output-tokenia kohden. Samassa taulukossa ilmoitetaan miljoonan tokenin konteksti-ikkuna ja 384 000 tokenin enimmäisvastaus. 1

Joissakin vertailuissa 384 tokenin rajaa on kuvattu alle puoleksi siitä kuvatokenien määrästä, jota tietyt GPT- ja Claude-mallit käyttävät. Tämä on kuitenkin suuntaa-antava vertailu, ei täysin yhdenmukainen testi: käytettävissä olevista lähteistä eivät selviä kaikilta osin samat malliversiot, kuvatarkkuudet tai laskutusoletukset. 327

Käytännön hyöty on vertailua selkeämpi. Kuvakaappauksia usein tarkasteleva visuaalinen agentti voi saada ennakoitavan ja suhteellisen pienen kuvasyötteen kustannuksen Flash-hinnalla sen sijaan, että jokainen havaintokierros vaatisi premium-tason multimodaalimallin.

Suorituskykyväitteisiin kannattaa suhtautua varauksella

DeepSeek kertoo uuden mallin säilyttävän V4-Flashin tekstipohjaiset ominaisuudet, kuten päättelyn, maailmantiedon ja agenttitoiminnot, mutta lisäävän niiden rinnalle visuaalisen syötteen. 626

Yhtiö on lisäksi raportoinut huomattavasta parannuksesta multimodaalisten agenttien testeissä ja väittää suorituskyvyn lähestyvän Anthropicin Claude Opus 4.8 -mallia. Joissakin julkaistuissa vertailuissa malli sijoittuu Opus 4.8:n tuntumaan, mutta tulokset vaihtelevat testistä toiseen. 4192123

Tärkeä ero on siinä, kuka tulokset on tuottanut. Ilmaus ”lähestyy Opus 4.8:aa” tarkoittaa tällä hetkellä ennen kaikkea DeepSeekin omiin arvioihin perustuvaa väitettä, ei riippumattomasti vahvistettua mallien vastaavuutta kaikissa visuaalisten agenttien tehtävissä. Riippumattomia testejä tarvitaan, jotta mallin luotettavuus, visuaalinen tarkkuus ja työkalujen käyttö voidaan arvioida yhtiön omista testiolosuhteista irrallaan.

Käytännön varoitus: varaa vastaustilaa

Kehittäjien kannattaa testata päättelyasetukset ennen kuin malli liitetään tuotantokäytössä jatkuvasti toistuvaan visuaaliseen agenttisilmukkaan. Raportoidussa käytännön testissä ajatteluun käytetyt tokenit saattoivat kuluttaa koko completion-budjetin, jolloin käyttäjälle ei jäänyt näkyvää vastausta. Samassa raportissa suositeltiin ajattelun poistamista käytöstä soveltuvissa visuaalisissa tehtävissä tai max_tokens-arvon kasvattamista, jotta mallille jää tilaa vastata. 27

Kyse on integraation kompastuskivestä, ei yleisestä arviosta mallin kyvykkyydestä. Jos päättely on käytössä, sovelluksen on varattava riittävästi output-kapasiteettia sekä sisäiselle päättelylle että käyttäjälle näytettävälle vastaukselle. Asetusten nimet ja nykyinen toiminta on syytä varmistaa DeepSeekin ajantasaisesta API-dokumentaatiosta.

Miksi näkökyky tuodaan juuri Flash-malliin?

DeepSeek ei ole lähteissä esittänyt julkaisulle virallista strategista perustelua. Tuotteen rakenne kuitenkin viittaa selvään käyttötarkoitukseen: visuaalisen havainnoinnin tekemiseen riittävän edulliseksi, jotta agentti voi käyttää sitä toistuvasti.

Kuvakaappauksista, pelitilanteista, hallintapaneeleista ja sovellusten käyttöliittymistä on hyötyä vain, jos agentti voi tarkastella niitä säännöllisesti ilman, että jokainen kierros nostaa kustannukset liian korkeiksi. Flash-variantin ansiosta kehittäjät voivat myös lisätä kuvasyötteen olemassa olevaan edulliseen agentti- ja työkalukutsutyönkulkuun ilman, että koko sovellus pitää siirtää erilliseen premium-tason multimodaalipalveluun.

Siksi julkaisu kiinnostaa etenkin ruutukaappauksia käsittelevien agenttien, kuvasta koodia tuottavien työkalujen ja jatkuvaa visuaalista palautetta tarvitsevien sovellusten rakentajia.

Kokonaiskuva on kaksijakoinen: DeepSeek V4-Flash-Vision-Exp tarjoaa poikkeuksellisen matalan ilmoitetun kuvatoken-rajan ja useita joustavia tapoja kuvien syöttämiseen. Sen väitetty johto vertailutesteissä ja toiminta tuotantoympäristössä ovat kuitenkin asioita, jotka on vielä varmennettava. Järkevä aloitus on testata mallia realistisilla kuvakaappauksilla, mitoittaa vastausbudjetti tarkasti ja käyttää laadun arvioinnissa riippumattomia tarkistuksia.