ב־21 באוגוסט 2026 השיקה DeepSeek את deepseek-v4-flash-vision-exp, גרסה ניסיונית של V4-Flash שמוסיפה הבנת תמונות ל־API. המודל מקבל קלט משולב של טקסט ותמונה, ומאפשר לסוכנים לנתח צילומי מסך, ממשקי משתמש, תרשימים ומצבים חזותיים אחרים — במחיר המכוון להישאר ברמת Flash. 114
המספר המרכזי בהשקה הוא 384: כל תמונה מומרת לעד 384 טוקני קלט לצורכי חיוב, והטוקנים מחויבים לפי תעריפי V4-Flash, ללא תוספת מחיר נפרדת עבור ראייה. DeepSeek טוענת גם שביצועי הסוכנים החזותיים של המודל מתקרבים ל־Claude Opus 4.8, אך זו טענה המבוססת על תוצאות שהחברה פרסמה בעצמה ועדיין לא אומתה בבדיקות בלתי תלויות. 319
מה חדש במודל
הגישה למודל מתבצעת באמצעות מזהה ה־API deepseek-v4-flash-vision-exp. הוא משלב תמונות וטקסט, תוך שמירה על בסיס היכולות של משפחת V4-Flash — יצירת טקסט, שימוש בכלים ותפקוד כסוכן. התמיכה בקלט חזותי זמינה בממשקי Chat Completions, Messages ו־Responses. 412
לכן לא מדובר רק בכלי שמסביר מה מופיע בתמונה. סוכן יכול לקבל צילום מסך, להבין את מצב הממשק, להחליט על פעולה, להפעיל כלי ואז לבדוק שוב את המסך שהתקבל. הדגמות שדווחו כללו יצירת קוד בר־הרצה מצילומי מסך ושימוש בקלט חזותי בתהליכי בניית משחקים. 510
שלוש דרכים לשלוח תמונות
מפתחים יכולים להזין תמונות באחת משלוש דרכים:
- Base64 בתוך הבקשה: הטמעת תמונה מקומית כ־Data URL.
- כתובת URL חיצונית: העברת כתובת HTTP(S) ציבורית שה־API יכול למשוך.
- Files API: העלאת התמונה פעם אחת וקבלת
file_id, שאותו ניתן לצרף לבקשות עתידיות. 6714
ה־Files API ניתן לשימוש ללא תשלום, והוא האפשרות המתאימה ביותר ליישומים שחוזרים שוב ושוב לאותה תמונה. במקום להעלות את נתוני התמונה בכל בקשה, היישום מפנה לקובץ שכבר נשמר — וכך מצמצם את רוחב הפס בתהליכי עבודה חוזרים של סוכנים. 112
עד 384 טוקנים לתמונה — בלי תוספת מחיר
DeepSeek אומרת שכל תמונה תחויב לכל היותר כ־384 טוקני קלט. הטוקנים האלה מחויבים בתעריף הקלט הרגיל של V4-Flash, כך שעיבוד תמונה אינו מחייב מעבר למסלול מולטימודלי יקר יותר. 3614
טבלת מחירים שפורסמה מציינת, בשעות שיא, מחיר של 0.44 דולר למיליון טוקני קלט שאינם בזיכרון מטמון ו־1.32 דולר למיליון טוקני פלט עבור מודל הראייה. הטבלה מציינת גם חלון הקשר של מיליון טוקנים ותפוקת פלט מרבית של 384,000 טוקנים. 1
כמה דיווחים תיארו את תקרת 384 הטוקנים כפחות ממחצית מצריכת הטוקנים של תמונה בגישות מסוימות המבוססות על GPT ו־Claude. עם זאת, מדובר בהשוואה כיוונית בלבד: המידע שסופק אינו מוכיח שהושוו אותן גרסאות מודל, רזולוציות תמונה או הנחות חיוב. 327
המשמעות המעשית ברורה יותר מההשוואה בין הספקים: סוכן שבודק צילומי מסך רבים יכול לקבל עלות תמונה צפויה ונמוכה יחסית, בתעריף Flash, במקום להשתמש בכל איטרציה במודל מולטימודלי יקר.
הביצועים מבטיחים — אבל עדיין מבוססים על נתוני ספק
DeepSeek טוענת שהמודל שומר על יכולות הטקסט של V4-Flash, ובהן הסקת מסקנות, ידע כללי ותפקוד של סוכנים, ומוסיף להן קלט חזותי. 626
החברה דיווחה גם על שיפור משמעותי במבחני ביצועים לסוכנים מולטימודליים, עד לרמה הקרובה ל־Claude Opus 4.8. בחלק מההשוואות שפורסמו המודל אכן ממוקם בקרבת Opus 4.8 במשימות נבחרות, אך התוצאות משתנות בין מבחן למבחן. 4192123
לכן את הביטוי “מתקרב ל־Opus 4.8” צריך לקרוא בשלב זה כטענה על תוצאות ההערכה של DeepSeek — לא כהוכחה לשוויון בין המודלים בכל משימת סוכן חזותי בעולם האמיתי. יהיה צורך בבדיקות חיצוניות כדי להעריך את אמינות המודל, דיוק הזיהוי החזותי ויכולת השימוש בכלים בתנאים שונים.
אזהרת אינטגרציה: לא לשכוח את תקציב הפלט
מפתחים צריכים לבדוק היטב את הגדרות ההסקה לפני שילוב המודל בלולאת סוכן חזותי בסביבת ייצור. בדיקה מעשית שדווחה מצאה שטוקני החשיבה עלולים לצרוך את כל תקציב ההשלמה, כך שלא נשארת תשובה גלויה למשתמש. באותו דיווח הומלץ להשבית את מצב החשיבה במשימות חזותיות מתאימות, או להגדיל את max_tokens כדי להשאיר למודל מקום להחזיר תשובה. 27
זו אזהרה הנדסית, ולא מסקנה כללית על יכולות המודל. כאשר החשיבה מופעלת, היישום צריך להקצות מספיק טוקנים גם לתהליך הפנימי וגם לתשובה המוצגת. מומלץ לאמת את ההתנהגות ואת שמות הפרמטרים העדכניים בתיעוד ה־API של DeepSeek לפני שמסתמכים על הגדרה מסוימת.
למה דווקא על גבי Flash?
ההשקה אינה כוללת הסבר אסטרטגי רשמי של DeepSeek במסגרת המקורות שסופקו, אך מבנה המוצר מצביע על מטרה ברורה: להפוך את התפיסה החזותית לזולה מספיק עבור פעולות חוזרות של סוכן. צילומי מסך, פריימים ממשחקים, לוחות בקרה ומצבי אפליקציה מועילים לסוכן רק אם הוא יכול לבדוק אותם שוב ושוב בלי להפוך כל סבב ליקר מדי.
הצעת הראייה כגרסת Flash ניסיונית מאפשרת למפתחים להוסיף תמונות לזרימת עבודה קיימת של סוכן וכלים, במקום להעביר את היישום כולו למסלול מולטימודלי פרימיום. לכן המודל רלוונטי במיוחד לסוכנים שמופעלים דרך מסך, לכלים שממירים צילומי מסך לקוד וליישומים שזקוקים למשוב חזותי תכוף.
השורה התחתונה: DeepSeek V4-Flash-Vision-Exp מציע תקרת חיוב מוצהרת ונמוכה במיוחד לתמונות, לצד כמה אפשרויות הזנה גמישות ו־Files API לשימוש חוזר. מנגד, את טענות הביצועים ואת ההתנהגות בסביבת ייצור עדיין צריך לבדוק. נקודת פתיחה סבירה למפתחים היא ניסוי מבוקר עם צילומי מסך אמיתיים, תקציב פלט מפורש ובדיקות איכות בלתי תלויות.
