DeepSeek ajoute la vision à V4-Flash sans supplément multimodal

Le 21 août 2026, DeepSeek a lancé deepseek-v4-flash-vision-exp, une variante expérimentale de V4-Flash capable d’analyser des images en plus du texte. L’objectif est clair : permettre à des agents logiciels d’observer des captures d’écran, des interfaces, des graphiques ou l’état d’un jeu, puis d’agir à l’aide d’outils. 114

La nouveauté la plus marquante n’est toutefois pas seulement la capacité à « voir ». C’est son mode de facturation : DeepSeek affirme qu’une image est convertie en 384 tokens d’entrée au maximum, facturés au tarif habituel de V4-Flash, sans supplément propre à la vision. 319

Ce que le modèle apporte aux agents

Le modèle est accessible avec l’identifiant deepseek-v4-flash-vision-exp. Il accepte des requêtes mêlant texte et images et peut être appelé via les interfaces Chat Completions, Messages et Responses. Il conserve ainsi la base de génération de texte et d’utilisation d’outils de la famille V4-Flash, tout en ajoutant une entrée visuelle. 412

Dans la pratique, cela permet de construire une boucle d’agent fondée sur l’écran :

1. l’agent examine une capture de l’interface ;
2. il détermine l’action à effectuer ;
3. il appelle un outil ;
4. il analyse à nouveau l’écran obtenu.

Les démonstrations rapportées incluent notamment la génération de code exécutable à partir de captures d’écran et l’utilisation d’images dans des flux de création de jeux. 510

Trois façons d’envoyer une image

Les développeurs disposent de trois méthodes :

• Base64 intégré : l’image locale est incluse directement dans la requête sous la forme d’une URL de données ;
• URL externe : l’API récupère une image accessible publiquement via une adresse HTTP(S) ;
• Files API : l’image est téléversée une fois, puis réutilisée grâce au file_id renvoyé par l’API. 6714

La Files API est gratuite. Elle est particulièrement adaptée aux applications qui consultent régulièrement la même capture, le même document visuel ou le même élément d’interface. En réutilisant une référence de fichier, l’application évite de renvoyer les mêmes données à chaque requête et réduit ainsi la bande passante nécessaire aux workflows récurrents. 112

Un plafond de 384 tokens par image

Selon DeepSeek, chaque image est tokenisée pour la facturation à hauteur de 384 tokens d’entrée maximum. Ces tokens sont facturés au tarif V4-Flash, sans niveau tarifaire multimodal distinct. 3614

Un tableau de prix publié indique, en période de pointe, 0,44 dollar par million de tokens d’entrée non mis en cache et 1,32 dollar par million de tokens de sortie pour le modèle visuel. Le même tableau mentionne une fenêtre de contexte d’un million de tokens et une sortie maximale de 384 000 tokens. 1

Certains comptes rendus présentent ce plafond de 384 tokens comme inférieur de plus de moitié à la consommation d’image de certains modèles GPT et Claude. Cette comparaison doit cependant être considérée comme indicative : les éléments disponibles ne garantissent pas que les versions de modèles, les résolutions d’image ou les hypothèses de facturation soient identiques. 327

Le bénéfice concret est plus simple à établir. Un agent qui examine fréquemment des captures d’écran peut recevoir une perception visuelle à un coût d’entrée prévisible, au tarif Flash, plutôt que de recourir à un modèle multimodal premium à chaque étape de sa boucle.

Des performances prometteuses, mais encore à vérifier

DeepSeek affirme que le nouveau modèle préserve les capacités textuelles de V4-Flash, notamment le raisonnement, les connaissances générales et les fonctions d’agent, tout en ajoutant la compréhension visuelle. 626

L’entreprise affirme également avoir obtenu une forte progression sur des benchmarks d’agents multimodaux, avec des résultats proches de ceux de Claude Opus 4.8. Certaines comparaisons publiées placent effectivement le modèle près d’Opus 4.8 sur plusieurs tâches, tandis que d’autres montrent des écarts variables selon les benchmarks. 4192123

La nuance est importante : « proche d’Opus 4.8 » décrit pour l’instant les résultats communiqués par DeepSeek, et non une équivalence établie dans tous les usages d’agents visuels. Des évaluations indépendantes devront encore mesurer la fiabilité, la précision d’analyse des images et l’efficacité de l’utilisation d’outils dans des scénarios réels.

Attention au budget de sortie et au mode de raisonnement

Les développeurs doivent tester soigneusement les paramètres de raisonnement avant d’intégrer le modèle dans une boucle visuelle en production. Un essai pratique rapporté indique que les tokens de réflexion peuvent consommer l’intégralité du budget de complétion, sans laisser de place à la réponse visible. Le même compte rendu recommande de désactiver le mode de réflexion pour les tâches visuelles concernées ou d’augmenter max_tokens. 27

Il s’agit d’un avertissement d’intégration, pas d’un jugement général sur les capacités du modèle. Lorsque le raisonnement est activé, l’application doit réserver assez de tokens pour les étapes internes comme pour la réponse destinée à l’utilisateur. Les équipes devront aussi vérifier les paramètres et le comportement les plus récents dans la documentation de l’API DeepSeek avant de dépendre d’un réglage précis.

Pourquoi proposer la vision sur une version Flash ?

DeepSeek n’a pas fourni, dans les éléments disponibles, d’explication stratégique formelle. La conception du produit suggère néanmoins un objectif évident : rendre la perception visuelle suffisamment abordable pour être répétée souvent.

Un agent qui doit travailler avec une interface, un tableau de bord, une partie de jeu ou une succession de captures d’écran n’est utile que s’il peut observer régulièrement son environnement sans rendre chaque cycle trop coûteux. En ajoutant la vision à une variante Flash expérimentale, DeepSeek permet aussi aux développeurs d’étendre un agent et ses appels d’outils existants, plutôt que de migrer toute leur application vers une offre multimodale premium.

Pour les créateurs d’agents pilotés par écran, d’outils de conversion de captures en code ou d’applications nécessitant un retour visuel fréquent, le positionnement est donc intéressant. Le compromis reste toutefois à surveiller : le plafond annoncé de 384 tokens et les méthodes d’importation sont attractifs, mais les performances de référence et le comportement en production doivent encore être confirmés par des tests indépendants.

La meilleure approche consiste à commencer par des essais contrôlés, avec des captures réalistes, un budget de sortie explicite et des vérifications de qualité séparées.