DeepSeek V4-Flash-Vision-Exp: 384 टोकन में विज़न, Flash मॉडल की कीमत पर

DeepSeek ने 21 अगस्त 2026 को deepseek-v4-flash-vision-exp जारी किया। यह V4-Flash API में image understanding जोड़ने वाला experimental multimodal मॉडल है। अब developers text के साथ screenshots, user interfaces, charts और दूसरे visual inputs भेजकर ऐसे agents बना सकते हैं जो केवल निर्देश पढ़ें नहीं, बल्कि स्क्रीन पर मौजूद स्थिति को भी समझें। 114

इस रिलीज़ की सबसे बड़ी खासियत pricing है। DeepSeek के अनुसार, हर image को billing के लिए अधिकतम 384 input tokens में बदला जाता है और इन tokens पर V4-Flash की सामान्य दर लागू होती है—अलग से vision surcharge नहीं लिया जाता। कंपनी का यह भी दावा है कि visual-agent performance Claude Opus 4.8 के करीब पहुंच रही है। हालांकि, यह तुलना DeepSeek के अपने परिणामों पर आधारित है और इसकी स्वतंत्र पुष्टि अभी नहीं हुई है। 319

V4-Flash-Vision-Exp में क्या नया है

इस मॉडल को API में deepseek-v4-flash-vision-exp identifier से call किया जाता है। यह text और image को एक ही prompt में स्वीकार करता है और V4-Flash परिवार की text generation, reasoning तथा tool-use क्षमताओं पर आधारित है। Mixed visual prompts को Chat Completions, Messages और Responses-style interfaces के जरिए भेजा जा सकता है। 412

इसका मतलब यह केवल image-description tool नहीं है। कोई agent screenshot देखकर मौजूदा interface को समझ सकता है, अगला action तय कर सकता है, tool call कर सकता है और फिर बदली हुई स्क्रीन का दोबारा निरीक्षण कर सकता है। Reported demonstrations में screenshots से executable code बनाना और visual input का इस्तेमाल करके game-building workflows चलाना शामिल था। 510

Images भेजने के तीन तरीके

Developers के पास image input के लिए तीन विकल्प हैं:

• Inline Base64: Local image को data URL के रूप में सीधे request में embed करें।
• External URL: कोई सार्वजनिक HTTP(S) image URL दें, जिसे API retrieve कर सके।
• Files API: Image को एक बार upload करें और बाद के requests में मिले file_id से उसे reference करें। 6714

Files API का इस्तेमाल मुफ्त है। यदि कोई application बार-बार उसी screenshot या image को reference करती है, तो यह सबसे व्यावहारिक विकल्प हो सकता है। हर request में image data दोबारा upload न करने से recurring agent workflows में request bandwidth कम होती है। 112

Pricing: हर image के लिए अधिकतम 384 tokens

DeepSeek का कहना है कि billing के लिए हर image को अधिकतम 384 input tokens में tokenize किया जाता है। इन tokens की कीमत सामान्य V4-Flash input rate के बराबर है, इसलिए image understanding के लिए कोई अलग premium tier नहीं है। 3614

प्रकाशित price table के अनुसार vision model की peak pricing प्रति 10 लाख uncached input tokens $0.44 और प्रति 10 लाख output tokens $1.32 है। इसी table में 10 लाख tokens की context window और अधिकतम 3,84,000 output tokens का उल्लेख है। 1

कुछ reports ने 384-token limit को GPT और Claude के कुछ तुलनीय विकल्पों की image-token खपत के आधे से भी कम बताया है। इसे एक सामान्य दिशा-सूचक तुलना की तरह देखना चाहिए, पूरी तरह समान benchmark नहीं—क्योंकि उपलब्ध तुलना में model versions, image resolutions और billing assumptions एक जैसे होने की पुष्टि नहीं है। 327

फिर भी व्यावहारिक फायदा साफ है। जो visual agent बार-बार screenshots जांचता है, उसके लिए image input की लागत Flash दर पर अपेक्षाकृत कम और अनुमान लगाने योग्य रह सकती है। हर observation के लिए महंगे premium multimodal model की जरूरत नहीं पड़ेगी।

Performance का दावा उत्साहजनक, लेकिन vendor-reported है

DeepSeek ने कहा है कि नया मॉडल V4-Flash की text capabilities—जैसे reasoning, world knowledge और agent functionality—को बनाए रखता है और इनके ऊपर visual input जोड़ता है। 626

कंपनी ने multimodal-agent benchmarks पर बड़े सुधार का दावा करते हुए कहा कि performance Claude Opus 4.8 के करीब पहुंचती है। कुछ प्रकाशित comparisons में selected tasks पर मॉडल Opus 4.8 के आसपास दिखाई देता है, लेकिन अलग-अलग benchmarks में परिणामों में अंतर भी नजर आता है। 4192123

इसलिए “Opus 4.8 के करीब” को फिलहाल DeepSeek के evaluation results का दावा समझना चाहिए, न कि दोनों models की हर real-world visual-agent workload में समानता का प्रमाण। Reliability, visual accuracy और tool-use performance का सही आकलन करने के लिए independent testing जरूरी होगी।

जरूरी integration warning: output budget संभालें

Production visual loop में मॉडल लगाने से पहले developers को reasoning settings की जांच करनी चाहिए। एक reported hands-on test में thinking tokens ने पूरा completion budget इस्तेमाल कर लिया, जिसके बाद कोई visible answer नहीं बचा। उस report में संबंधित visual tasks के लिए thinking बंद करने या max_tokens बढ़ाने की सलाह दी गई है, ताकि मॉडल के पास उत्तर लौटाने के लिए पर्याप्त जगह रहे। 27

यह implementation caveat है, मॉडल की overall capability पर अंतिम फैसला नहीं। यदि reasoning enabled है, तो application को internal reasoning और user-facing answer—दोनों के लिए पर्याप्त output capacity रखनी चाहिए। किसी खास parameter या setting पर निर्भर होने से पहले DeepSeek के मौजूदा API documentation में उसका नाम और व्यवहार जरूर verify करें।

Flash मॉडल पर vision लाने की अहमियत

उपलब्ध evidence में DeepSeek ने इस design के पीछे कोई औपचारिक strategic explanation नहीं दिया है। फिर भी product design एक स्पष्ट use case की ओर इशारा करता है: visual perception को इतना सस्ता बनाना कि agents बार-बार screenshots, dashboards, game frames या application state देख सकें।

किसी screen-driven agent की उपयोगिता तभी बढ़ती है जब वह हर action के बाद visual state जांच सके, बिना इसके कि हर loop का खर्च असहनीय हो जाए। Vision को experimental Flash variant के रूप में पेश करने से developers अपने मौजूदा low-cost agent और tool-calling workflow में image input जोड़ सकते हैं, बजाय पूरे application को किसी अलग premium multimodal tier पर ले जाने के।

इसी वजह से यह release screen-driven agents, screenshot-to-code tools और frequent visual feedback की जरूरत वाले applications के लिए खास तौर पर दिलचस्प है। निष्कर्ष सीधा है: DeepSeek V4-Flash-Vision-Exp कम image-token ceiling और flexible input methods के साथ vision को सस्ता बनाने का मजबूत प्रयास है, लेकिन इसके benchmark leadership और production behavior को realistic screenshots, स्पष्ट output budgets और independent quality checks के साथ परखना अभी बाकी है।