DeepSeek V4 Flash Vision Exp: Kemampuan, Harga, dan Klaim Mendekati Claude Opus 4.8

Gambar dapat dikirim melalui beberapa metode, termasuk data gambar inline, URL eksternal, dan Files API. Dokumentasi Responses API juga secara khusus menjelaskan cara mengirim gambar menggunakan model ini.

Dukungan tersebut membuat Vision Exp relevan bagi pengembang agen AI. Sebuah agen dapat membaca tangkapan layar, grafik, dokumen hasil pemindaian, atau halaman visual sebelum menentukan alat berikutnya yang perlu dipanggil.

DeepSeek juga mendokumentasikan integrasi Codex, dengan Vision Exp tercantum sebagai pilihan yang menambahkan dukungan input gambar. Catatan rilis DeepSeek menyebut Harness 0.1.1 telah menambahkan dukungan untuk model ini, sehingga tersedia jalur tambahan untuk memasukkannya ke alur kerja agen.

Sementara itu, dokumentasi GitHub Copilot DeepSeek hanya menyebut V4 Pro dan V4 Flash di pemilih model. Dokumentasi tersebut menjelaskan bahwa penanganan gambar dilakukan melalui model Copilot lain yang terpasang, bukan membuktikan bahwa Vision Exp tersedia langsung di pemilih tersebut.

Performa: menjanjikan, tetapi belum terverifikasi secara luas

Klaim utama DeepSeek adalah Vision Exp mempertahankan performa teks V4-Flash sekaligus mengalami lompatan besar pada tolok ukur agen multimodal. Perusahaan menyebut kemampuan agen multimodalnya kini mendekati Claude Opus 4.8.

Sejumlah laporan sekunder mengutip angka seperti skor Chartography 64,3, ApexBench Pass@1 sebesar 36,5, Agents’ Last Exam sebesar 27,3, dan ZeroBench Pass@5 sebesar 35,0. Angka-angka tersebut berasal dari pemberitaan atas pengumuman DeepSeek, bukan evaluasi lintas vendor yang rinci dan dapat direproduksi secara independen.

Perbedaan ini penting. Pernyataan “mendekati Opus 4.8” tidak berarti Vision Exp mengungguli Claude secara keseluruhan, setara pada setiap jenis tugas, atau menawarkan keandalan produksi yang sama. Sumber yang tersedia belum memberikan pengujian netral dengan prompt, lingkungan alat, latensi, tingkat kegagalan, dan biaya yang identik untuk DeepSeek dan Anthropic.

Kesimpulan paling aman saat ini lebih terbatas: DeepSeek memang telah merilis model API yang terdokumentasi dan mampu memproses gambar. Hasil yang dilaporkan perusahaan menunjukkan peningkatan berarti dibandingkan V4-Flash pada tugas yang membutuhkan input visual. Posisi model ini terhadap Claude, OpenAI, Google, maupun laboratorium AI China lainnya masih belum terkonfirmasi.

Harga DeepSeek Vision Exp vs Claude Opus 4.8

Daftar model yang tersedia mencantumkan harga Vision Exp sebesar $0,22 per 1 juta token input dan $0,66 per 1 juta token output, dengan konteks hingga 1 juta token. Dokumentasi harga resmi DeepSeek mengonfirmasi bahwa API ditagihkan berdasarkan jumlah token per 1 juta token dan memasukkan deepseek-v4-flash-vision-exp dalam tabel modelnya.

Gambar juga dikonversi menjadi token untuk keperluan penagihan. Salah satu laporan yang mengutip panduan DeepSeek menyebut satu gambar dapat menggunakan hingga 384 token, dengan struktur harga yang sama seperti V4-Flash. Artinya, biaya sebenarnya bergantung pada jumlah dan ukuran gambar, teks pendamping, panjang keluaran, serta penggunaan kembali konteks.

Sebagai pembanding, Anthropic mencantumkan harga Claude Opus 4.8 sebesar $5 per 1 juta token input dan $25 per 1 juta token output. Anthropic juga memiliki tarif terpisah untuk cache dan fast mode.

Dari tarif token utama, DeepSeek memang jauh lebih murah. Ini menjadi alasan kuat untuk melakukan uji coba, tetapi belum otomatis berarti biaya total operasionalnya lebih rendah. Model yang murah bisa menjadi kurang ekonomis apabila lebih sering membutuhkan pengulangan permintaan, menghasilkan kesalahan pemanggilan alat, atau memerlukan prapemrosesan gambar tambahan.

Perbandingan dengan Claude Opus 4.8

Kedua model memiliki irisan penggunaan, tetapi posisi produknya berbeda:

• DeepSeek V4 Flash Vision Exp adalah model multimodal eksperimental dengan orientasi API. Fokusnya ialah membawa kemampuan penglihatan ke kategori model Flash yang lebih ekonomis untuk alur kerja berbasis gambar dan agen.
• Claude Opus 4.8 merupakan model andalan Anthropic dengan lapisan produk dan platform yang lebih mapan, termasuk pengaturan tingkat usaha penalaran dan fast mode. Harga regulernya tercantum sebesar $5 per 1 juta token input dan $25 per 1 juta token output.

Daya tarik strategis DeepSeek cukup jelas: menghadirkan kemampuan visual pada model berbiaya rendah sambil mengklaim performa agen multimodal yang mendekati model premium. Namun, keunggulan Claude dalam perbandingan ini bukan berarti telah terbukti unggul pada semua tolok ukur. Keunggulannya yang lebih jelas dari sumber yang tersedia adalah kematangan produk, cakupan platform, dan posisi yang sudah mapan di pasar.

Perbandingan sebaiknya dilakukan berdasarkan tugas, bukan hanya nama model. Untuk membaca tangkapan layar atau mengekstrak data dari grafik, Vision Exp mungkin menawarkan kualitas yang memadai dengan biaya token jauh lebih rendah. Untuk alur kerja otonom berisiko tinggi, faktor yang lebih penting adalah konsistensi, akurasi penggunaan alat, perilaku saat menolak permintaan, kemampuan observasi, dukungan, dan pemulihan dari kesalahan.

Mengapa rilis ini penting bagi pasar AI?

Rilis ini menunjukkan bahwa kemampuan visual semakin terintegrasi dengan pekerjaan agen, bukan lagi sekadar fitur tanya-jawab gambar. Agen pemrograman dapat perlu membaca tangkapan layar, agen peramban dapat menafsirkan halaman web, dan sistem perusahaan dapat menggabungkan dokumen, grafik, serta pemanggilan alat terstruktur.

Keluarga V4 DeepSeek sejak awal menekankan konteks panjang dan beban kerja agen. Dokumentasi V4 menggambarkan Flash sebagai opsi yang lebih cepat dan ekonomis dalam keluarga tersebut. Vision Exp memperluas arah itu ke agen multimodal, alih-alih membuat model terpisah yang hanya berfokus pada gambar.

Meski demikian, bukti yang tersedia belum cukup untuk menyatakan DeepSeek telah mengungguli Anthropic, OpenAI, Google, atau laboratorium AI China lainnya. Belum ada evaluasi lintas vendor yang benar-benar setara dalam sumber yang disediakan, dan model API eksperimental tidak sama dengan model flagship yang telah teruji dalam produksi.

Haruskah pengembang mencobanya?

Ya, tetapi lakukan secara terkontrol.

Uji coba yang berguna sebaiknya membandingkan Vision Exp dengan Claude Opus 4.8 dan model produksi yang saat ini digunakan pada tugas gambar-plus-alat yang sama. Beberapa metrik penting meliputi:

1. Akurasi pemahaman visual, terutama pada tulisan kecil, tabel, dan grafik.
2. Kesalahan pemilihan alat serta pengisian argumen alat.
3. Tingkat penyelesaian tanpa pengulangan atau koreksi manusia.
4. Latensi dan panjang keluaran.
5. Biaya token input, output, dan gambar.
6. Perilaku saat menghadapi gambar ambigu, rusak, atau menyesatkan.
7. Stabilitas pada eksekusi berulang dan variasi prompt.

Putusan yang paling masuk akal saat ini adalah positif namun tetap hati-hati: DeepSeek V4 Flash Vision Exp merupakan eksperimen API multimodal yang kredibel, menawarkan harga tercantum menarik, dan memiliki antarmuka pengembang yang berguna. Klaim performa mendekati Claude Opus 4.8 layak diuji, tetapi belum seharusnya diterima sebagai fakta yang telah dibuktikan secara independen.