DeepSeek V4 Flash Vision Exp: capacità, prezzi e il confronto con Claude Opus 4.8

DeepSeek-V4-Flash-Vision-Exp è il primo componente della linea API V4-Flash a includere la comprensione delle immagini. Il modello mantiene, secondo DeepSeek, le capacità testuali, di ragionamento, di utilizzo come agente e di conoscenza generale di V4-Flash, aggiungendo la possibilità di lavorare con input visivi in flussi multimodali. L'azienda lo definisce però sperimentale e sostiene che le sue prestazioni negli agenti multimodali siano vicine a quelle di Claude Opus 4.8. Non ci sono ancora abbastanza dati indipendenti per considerare questa affermazione un risultato consolidato nelle classifiche.

Che cos'è DeepSeek V4 Flash Vision Exp

Il modello è disponibile tramite le API di DeepSeek con l'identificativo deepseek-v4-flash-vision-exp. Nelle note di rilascio, DeepSeek afferma che il modello raggiunge V4-Flash nelle capacità testuali — inclusi agenti, ragionamento e conoscenza del mondo — e migliora sensibilmente nei benchmark che richiedono comprensione visiva.

La novità principale riguarda quindi la modalità di input. Il modello può elaborare testo insieme a immagini JPEG, PNG, GIF o WebP. Gli usi documentati includono la descrizione di immagini, la lettura del testo all'interno di uno screenshot, la risposta a domande visive e l'analisi di grafici.

La sigla Exp è importante: non si tratta della prova che DeepSeek abbia già un prodotto consumer maturo. Per gli sviluppatori è più corretto considerarlo un modello da testare e valutare in contesti controllati, non un sostituto automatico di un modello di produzione già collaudato.

Capacità e accesso per gli sviluppatori

DeepSeek documenta richieste miste di testo e immagini e rende il modello disponibile sia tramite l'interfaccia Chat Completions sia tramite quella Responses. In entrambe le documentazioni, deepseek-v4-flash-vision-exp compare tra gli identificativi supportati.

Le immagini possono essere inviate nei modi previsti dalle guide sulla visione di DeepSeek: dati incorporati direttamente nella richiesta, URL esterni oppure Files API. La documentazione della Responses API descrive inoltre in modo specifico il passaggio di immagini a questo modello.

Questa configurazione è particolarmente interessante per chi costruisce agenti. Un agente può interpretare uno screenshot, un grafico, un documento scansionato o un'altra immagine prima di decidere quale strumento utilizzare e quali parametri passargli.

DeepSeek documenta anche l'integrazione con Codex e indica Vision Exp come opzione che aggiunge il supporto agli input visivi. Le note di rilascio affermano inoltre che DeepSeek Harness 0.1.1 ha aggiunto il supporto al modello, offrendo un ulteriore accesso ai flussi di lavoro agentici.

La situazione è diversa per GitHub Copilot. La documentazione di DeepSeek per l'estensione VS Code indica V4 Pro e V4 Flash nel selettore dei modelli e descrive la gestione delle immagini tramite un altro modello Copilot installato; non dimostra quindi che Vision Exp sia direttamente disponibile in quel selettore.

Prestazioni: una promessa interessante, ma ancora da verificare

La rivendicazione centrale di DeepSeek è duplice: Vision Exp manterrebbe le prestazioni testuali di V4-Flash e compierebbe un netto passo avanti nei benchmark per agenti multimodali, avvicinandosi a Claude Opus 4.8.

Alcuni resoconti riportano i singoli risultati comunicati da DeepSeek: 64,3 in Chartography, 36,5 in ApexBench Pass@1, 27,3 in Agents' Last Exam e 35,0 in ZeroBench Pass@5. Questi numeri provengono però dalla copertura secondaria dell'annuncio di DeepSeek, non da una valutazione indipendente e dettagliata, riproducibile e comparabile tra fornitori diversi.

La distinzione è sostanziale. Dire che il modello è “vicino a Opus 4.8” non significa che superi Claude nel complesso, che lo eguagli in ogni attività o che offra la stessa affidabilità in produzione. Le fonti disponibili non presentano un test neutrale basato sugli stessi prompt, sugli stessi strumenti, sugli stessi ambienti, né un confronto completo su latenza, tassi di errore e costi tra DeepSeek e Anthropic.

La conclusione più prudente è quindi più circoscritta: DeepSeek ha pubblicato un modello API reale, documentato e capace di elaborare immagini; i risultati dichiarati dall'azienda suggeriscono un miglioramento significativo rispetto a V4-Flash nei compiti in cui la visione è importante. La posizione effettiva del modello rispetto a Claude, OpenAI, Google e agli altri laboratori cinesi resta invece da confermare.

Prezzo: molto più economico sulla tariffa dei token

Le quotazioni disponibili indicano per Vision Exp 0,22 dollari per un milione di token in ingresso e 0,66 dollari per un milione di token in uscita, con una finestra di contesto da un milione di token. La documentazione ufficiale di DeepSeek conferma che il listino API è calcolato per milione di token e include deepseek-v4-flash-vision-exp nella tabella dei modelli.

Anche le immagini vengono convertite in token e incidono sul conto API. Un resoconto che cita le indicazioni pubblicate da DeepSeek afferma che una singola immagine può arrivare a 384 token e che il modello segue la struttura tariffaria di V4-Flash. Il costo effettivo di un flusso visivo dipende quindi dal numero e dalle dimensioni delle immagini, dalla quantità di testo associato, dalla lunghezza della risposta e dall'eventuale ripetizione del contesto.

Anthropic indica per Claude Opus 4.8 5 dollari per un milione di token di input e 25 dollari per un milione di token di output. L'azienda propone inoltre tariffe separate per la cache e per la modalità veloce.

Sul semplice prezzo dei token, DeepSeek è dunque molto più economico. È un motivo concreto per provarlo, ma non equivale ancora a una valutazione del costo totale. Un modello meno caro che richiede più tentativi, commette più errori nell'uso degli strumenti o necessita di ulteriore elaborazione delle immagini potrebbe non risultare più conveniente nell'intero flusso di lavoro.

DeepSeek Vision Exp contro Claude Opus 4.8

I due modelli condividono alcuni casi d'uso, ma occupano posizioni diverse:

• DeepSeek V4 Flash Vision Exp: un modello multimodale sperimentale e orientato alle API, pensato per estendere la categoria economica Flash ai flussi con immagini e agenti. È accessibile attraverso i formati API documentati da DeepSeek e, secondo le tariffe disponibili, costa molto meno di Opus.
• Claude Opus 4.8: il modello di punta di Anthropic, con livelli di impegno configurabili, modalità veloce e un ecosistema di prodotti e piattaforme più consolidato. Il prezzo standard indicato da Anthropic è di 5 dollari per un milione di token in ingresso e 25 dollari per un milione di token in uscita.

La proposta strategica di DeepSeek è chiara: portare la visione in una famiglia di modelli più economica, sostenendo al tempo stesso di poter raggiungere un modello premium di frontiera nei compiti agentici multimodali. Le fonti disponibili non dimostrano che Claude sia superiore in ogni benchmark; il suo vantaggio più documentato riguarda la maggiore maturità del prodotto, della piattaforma e degli strumenti che lo circondano.

Il confronto va comunque fatto attività per attività. In una pipeline per leggere screenshot o estrarre dati da grafici, Vision Exp potrebbe offrire una qualità sufficiente a un costo di token molto più basso. In un flusso autonomo ad alto impatto, contano soprattutto costanza, precisione nell'uso degli strumenti, comportamento nei rifiuti, osservabilità, assistenza e capacità di recuperare dagli errori.

Perché il lancio conta per il mercato dei modelli AI

La rilevanza del lancio non sta soltanto nel fatto che DeepSeek ora “vede” le immagini. La visione sta diventando parte integrante del lavoro degli agenti: gli agenti di programmazione possono dover leggere screenshot, quelli per il browser possono interpretare pagine web e i sistemi aziendali possono combinare documenti, grafici e chiamate a strumenti strutturati.

La famiglia DeepSeek V4 punta già su contesti lunghi e carichi di lavoro agentici, mentre la documentazione dell'azienda presenta Flash come l'opzione più rapida ed economica della famiglia. Vision Exp porta questa direzione verso gli agenti multimodali, invece di proporre un modello separato dedicato esclusivamente alle immagini.

I dati disponibili non autorizzano però a dichiarare DeepSeek in vantaggio su Anthropic, OpenAI, Google o sui principali laboratori cinesi. Nelle fonti fornite non compare una valutazione indipendente e omogenea tra fornitori, e un'API sperimentale non equivale a un modello di punta maturo e verificato in produzione.

Conviene provarlo?

Sì, purché il test sia controllato.

Una valutazione utile dovrebbe confrontare Vision Exp con Claude Opus 4.8 e con il modello oggi usato in produzione, applicando gli stessi compiti con immagini e strumenti. Conviene misurare:

1. Accuratezza dell'interpretazione visiva, soprattutto su testi piccoli, tabelle e grafici.
2. Errori nella scelta degli strumenti e nei relativi argomenti.
3. Percentuale di completamento senza nuovi tentativi o correzioni umane.
4. Latenza e lunghezza delle risposte.
5. Costi di token in ingresso, in uscita e associati alle immagini.
6. Comportamento davanti a immagini ambigue, danneggiate o fuorvianti.
7. Stabilità tra esecuzioni ripetute e variazioni del prompt.

Il verdetto, per ora, è prudente ma positivo: DeepSeek V4 Flash Vision Exp è un esperimento API multimodale credibile, con interfacce utili per gli sviluppatori e un prezzo nominale molto interessante. La promessa di prestazioni agentiche multimodali vicine a Claude Opus 4.8 merita di essere testata; non è ancora un fatto stabilito in modo indipendente.