DeepSeek V4 Flash Vision Exp: מה מציע המודל המולטימודלי הניסיוני?

כלי מפתחים ואינטגרציות

ההשקה מכוונת בבירור לבוני סוכנים. תיעוד DeepSeek מציין שהמודל עובד עם בקשות המשלבות טקסט ותמונות, ומאפשר להוסיף הבנת תמונה לזרימות עבודה קיימות. גם DeepSeek Codex מציע את Vision Exp כאפשרות שמוסיפה תמיכה בקלט תמונה.

גרסה 0.1.1 של DeepSeek Harness הוסיפה תמיכה במודל, כך שהוא יכול להשתלב במסלול נוסף של פיתוח סוכנים.

חשוב להבחין בין זאת לבין GitHub Copilot: בתיעוד האינטגרציה של DeepSeek ל-Copilot מוזכרים V4 Pro ו-V4 Flash בבורר המודלים, בעוד שטיפול בתמונות מתואר שם דרך מודל Copilot אחר. התיעוד הזה אינו מוכיח ש-Vision Exp זמין ישירות בבורר של Copilot.

ביצועים: הבטחה מעניינת, אימות מוגבל

הטענה המרכזית של DeepSeek היא שהמודל שומר על ביצועי V4-Flash במשימות טקסט, ומציג קפיצה משמעותית במדדים של סוכנים שזקוקים להבנת תמונה. החברה אומרת שביצועי הסוכן המולטימודלי מתקרבים ל-Claude Opus 4.8.

דיווחים המבוססים על הודעת ההשקה של DeepSeek מציגים, בין היתר, את התוצאות הבאות: 64.3 ב-Chartography, 36.5 ב-ApexBench Pass@1, 27.3 ב-Agents’ Last Exam ו-35.0 ב-ZeroBench Pass@5.

אבל כאן נמצאת הכוכבית החשובה: מדובר בנתונים שמובאים דרך סיקור משני של הודעת DeepSeek, ולא בהערכה ניטרלית ומפורטת שאפשר לשחזר בקלות. אין במקורות שסופקו השוואה בין אותם פרומפטים, אותן סביבות כלים, זמני תגובה, שיעורי כשל ועלויות עבור DeepSeek ו-Anthropic.

לכן, הניסוח המדויק יותר הוא ש-DeepSeek השיקה מודל API מולטי-מודלי אמיתי ומתועד, והנתונים שלה מצביעים על שיפור משמעותי לעומת V4-Flash במשימות שבהן הראייה חשובה. עדיין אי אפשר להסיק מכך שהמודל מוביל באופן כללי על Claude, OpenAI, Google או מודלים סיניים אחרים.

המחיר: יתרון ברור על הנייר

רישומי מודלים זמינים מציגים עבור Vision Exp מחיר של 0.22 דולר למיליון טוקני קלט ו-0.66 דולר למיליון טוקני פלט, עם חלון הקשר של מיליון טוקנים. תיעוד המחירים הרשמי של DeepSeek מאשר שהחיוב מחושב לפי מיליון טוקנים וכולל את deepseek-v4-flash-vision-exp בטבלת המודלים.

גם תמונות נספרות לצורכי חיוב לאחר שהן מומרות לטוקנים. דיווח המצטט את ההנחיות שפרסמה DeepSeek מציין שתמונה יחידה יכולה להסתכם בעד 384 טוקנים, וכי החיוב משתמש במבנה התמחור של V4-Flash. העלות בפועל תלויה לכן במספר התמונות, בגודלן, בכמות הטקסט מסביב, באורך התשובה ובשימוש חוזר בהקשר.

לשם השוואה, Anthropic מתמחרת את Claude Opus 4.8 ב-5 דולר למיליון טוקני קלט וב-25 דולר למיליון טוקני פלט. החברה מפרסמת גם מחירים נפרדים לכתיבה ולקריאה של מטמון ולמצב המהיר.

כלומר, בתעריף הטוקנים הבסיסי DeepSeek זולה משמעותית. זהו תמריץ הגיוני לבדוק את המודל, אך לא בהכרח הוכחה לעלות כוללת נמוכה יותר. מודל זול שמצריך יותר ניסיונות חוזרים, מייצר יותר שגיאות בשימוש בכלים או דורש עיבוד מקדים של תמונות עלול להיות יקר יותר בתהליך המלא.

DeepSeek Vision Exp מול Claude Opus 4.8

למרות החפיפה במשימות, מדובר בשני מוצרים עם מיצוב שונה:

• DeepSeek V4 Flash Vision Exp הוא מודל מולטי-מודלי ניסיוני, ממוקד API, שמרחיב את קטגוריית ה-Flash החסכונית לתהליכי עבודה המשלבים תמונות וסוכנים. הוא זמין דרך ממשקי ה-API המתועדים של DeepSeek ומתומחר הרבה מתחת ל-Opus בתעריפים הזמינים.
• Claude Opus 4.8 הוא מודל הדגל של Anthropic, עם שליטה במאמץ החישובי, מצב מהיר ושכבת מוצר ופלטפורמה מבוססת יותר. המחיר הרגיל שלו הוא 5 דולר למיליון טוקני קלט ו-25 דולר למיליון טוקני פלט.

המסר האסטרטגי של DeepSeek ברור: להוסיף יכולות ראייה לקטגוריית מודלים זולה יותר, ובמקביל לטעון לביצועים הקרובים למודל פרימיום במשימות של סוכנים מולטי-מודליים. לעומת זאת, היתרון המתועד של Claude במידע שסופק כאן אינו בהכרח ניצחון בכל מדד, אלא בשלות מוצרית, מגוון כלים ומיצוב מבוסס יותר סביב המודל.

ההשוואה הנכונה צריכה להתבצע משימה אחר משימה. בצינור שקורא צילומי מסך או מחלץ נתונים מתרשימים, Vision Exp עשוי לספק איכות מספקת במחיר טוקנים נמוך בהרבה. בתהליך אוטונומי רגיש, השאלות החשובות יותר הן עקביות, דיוק בבחירת כלים, התנהגות במקרים של סירוב, יכולת ניטור והתאוששות משגיאות.

למה ההשקה חשובה לשוק?

החשיבות של Vision Exp אינה מסתכמת בכך שהוא יודע לענות על שאלות לגבי תמונות. הראייה הופכת לחלק מתהליכי עבודה של סוכנים: סוכן תכנות עשוי לקרוא צילום מסך, סוכן דפדפן צריך לפרש עמוד, ומערכת ארגונית עשויה לשלב מסמכים, תרשימים וקריאות לכלים.

משפחת V4 של DeepSeek מדגישה הקשר ארוך ועומסי עבודה של סוכנים, ו-DeepSeek מציגה את Flash כאפשרות מהירה וחסכונית יותר בתוך המשפחה. Vision Exp ממשיך את הכיוון הזה אל עולם הסוכנים המולטימודיים, במקום להיות מודל נפרד שמיועד רק לשאלות על תמונות.

עם זאת, מוקדם מדי להכריז ש-DeepSeek עקפה את Anthropic, OpenAI, Google או מעבדות AI מובילות בסין. במקורות שסופקו אין הערכה בלתי תלויה בתנאים זהים בין החברות, ומודל API ניסיוני אינו שקול למודל דגל בשל ומוכח.

האם כדאי למפתחים לבדוק אותו?

כן — אבל במסגרת ניסוי מבוקר.

בדיקה רצינית צריכה להשוות את Vision Exp ל-Claude Opus 4.8 ולמודל הייצור הנוכחי על אותן משימות המשלבות תמונה וכלים. כדאי למדוד:

1. דיוק בהבנת תמונות, במיוחד טקסט קטן, טבלאות ותרשימים.
2. טעויות בבחירת כלים ובהעברת פרמטרים לכלים.
3. שיעור השלמה ללא ניסיונות חוזרים או תיקון אנושי.
4. זמן תגובה ואורך הפלט.
5. עלויות טוקני הקלט, הפלט והתמונות.
6. התנהגות מול תמונות מטושטשות, דו-משמעיות או מטעות.
7. יציבות בהרצות חוזרות ובווריאציות של הפרומפט.

השורה התחתונה

DeepSeek V4 Flash Vision Exp הוא ניסוי API מולטי-מודלי אמין יחסית, עם ממשקי מפתחים שימושיים ומחיר רשמי אטרקטיבי. הוא בהחלט מצדיק בדיקה — במיוחד עבור תהליכים שקוראים צילומי מסך, תרשימים או מסמכים.

אבל הטענה שהוא מתקרב ל-Claude Opus 4.8 בביצועי סוכנים מולטי-מודליים היא בשלב זה טענה שכדאי לבחון, לא עובדה שכבר הוכחה באופן בלתי תלוי. עבור שימושים קריטיים, ההכרעה צריכה להתבסס על מדידות מהמערכת שלכם ולא על השוואת מחירים או על נתון יחיד ממבחן ביצועים.