DeepSeek V4-Flash-Vision-Exp: immagini e screenshot senza sovrapprezzo

DeepSeek ha aggiunto la comprensione delle immagini alla propria API V4-Flash con il modello sperimentale deepseek-v4-flash-vision-exp. La novità consente di combinare testo e immagini per analizzare screenshot, interfacce, grafici e altri elementi visivi all’interno di applicazioni e agenti software. 114

Il punto più interessante, però, non è soltanto la capacità di “vedere”. Ogni immagine viene convertita in un massimo di 384 token di input e fatturata alle normali tariffe di V4-Flash, senza un sovrapprezzo specifico per la visione. DeepSeek sostiene inoltre che le prestazioni dei suoi agenti multimodali si stiano avvicinando a quelle di Claude Opus 4.8: un confronto basato sui risultati pubblicati dall’azienda e che, al momento, non ha ancora ricevuto una verifica indipendente. 319

Che cosa introduce il nuovo modello

Il modello si richiama con l’identificativo API deepseek-v4-flash-vision-exp. Oltre all’input testuale, accetta immagini e mantiene la base di V4-Flash per generazione di testo, ragionamento, uso degli strumenti e gestione degli agenti. L’input misto testo-immagine è disponibile attraverso le interfacce Chat Completions, Messages e Responses. 412

Questo amplia il campo d’uso ben oltre la semplice descrizione di una fotografia. Un agente può, per esempio, osservare uno screenshot dell’interfaccia corrente, decidere quale azione eseguire, chiamare uno strumento e poi analizzare nuovamente lo schermo dopo l’azione. Tra le dimostrazioni riportate figurano la generazione di codice eseguibile a partire da screenshot e l’impiego di input visivi in flussi di sviluppo di videogiochi. 510

Tre modi per inviare un’immagine

Gli sviluppatori hanno a disposizione tre opzioni:

• Base64 inline: un’immagine locale viene incorporata nella richiesta come data URL.
• URL esterno: si fornisce un indirizzo HTTP(S) pubblico dal quale l’API può recuperare l’immagine.
• Files API: l’immagine viene caricata una volta e poi richiamata nelle richieste successive tramite il file_id restituito. 6714

Il Files API è gratuito e risulta particolarmente utile quando un’applicazione deve consultare più volte la stessa immagine. Il riutilizzo del riferimento evita di caricare nuovamente gli stessi dati a ogni richiesta e riduce il traffico di rete nei flussi degli agenti che osservano ripetutamente lo stesso stato visivo. 112

Il prezzo: massimo 384 token per immagine

Secondo DeepSeek, per la fatturazione ogni immagine viene tokenizzata fino a un limite di 384 token. Questi token sono addebitati alla tariffa di input standard di V4-Flash: non esiste quindi un livello premium separato per la comprensione visiva. 3614

Una tabella dei prezzi pubblicata indica, nei periodi di punta, 0,44 dollari per milione di token di input non memorizzati nella cache e 1,32 dollari per milione di token di output. La stessa documentazione riporta una finestra di contesto da 1 milione di token e un output massimo di 384.000 token per il modello visivo. 1

Alcuni confronti hanno descritto il limite di 384 token come inferiore alla metà del consumo necessario per immagini analoghe su determinati modelli GPT e Claude. È però una comparazione indicativa, non un benchmark perfettamente normalizzato: le fonti disponibili non stabiliscono versioni identiche dei modelli, risoluzioni equivalenti o le stesse ipotesi di fatturazione. 327

Il vantaggio pratico è comunque più chiaro del confronto tra marchi. Un agente che controlla decine o centinaia di screenshot può sostenere un costo d’input visivo più prevedibile, senza dover ricorrere a un modello multimodale premium a ogni passaggio del ciclo.

Prestazioni promettenti, ma ancora da verificare

DeepSeek afferma che V4-Flash-Vision-Exp conserva le capacità testuali di V4-Flash, comprese quelle legate al ragionamento, alla conoscenza generale e agli agenti, aggiungendo l’input visivo. 626

L’azienda ha inoltre riferito un netto miglioramento nei benchmark per agenti multimodali, con risultati vicini a Claude Opus 4.8 in alcuni test. Le tabelle pubblicate mostrano valori prossimi su determinate attività, ma anche differenze tra un benchmark e l’altro. 4192123

La distinzione è importante: “vicino a Opus 4.8” va letto oggi come una dichiarazione basata sulle valutazioni di DeepSeek, non come la prova di un’equivalenza generale. Serviranno test indipendenti per giudicare affidabilità, precisione nella lettura delle immagini e capacità di usare gli strumenti in scenari reali, al di fuori della configurazione scelta dall’azienda.

Attenzione al budget di output e alla modalità thinking

Chi integra il modello in un agente visivo dovrebbe verificare con cura le impostazioni di ragionamento prima di portarlo in produzione. Un test pratico riportato da una fonte ha rilevato che i token dedicati al thinking potevano consumare l’intero budget della risposta, lasciando all’utente un output vuoto. La raccomandazione è disattivare il thinking nelle attività visive pertinenti oppure aumentare max_tokens, così da lasciare spazio anche alla risposta finale. 27

Si tratta di un’avvertenza d’integrazione, non di una valutazione complessiva delle capacità del modello. Quando il ragionamento è attivo, l’applicazione dovrebbe riservare token sufficienti sia al processo interno sia al testo destinato all’utente. Prima di basarsi su un parametro specifico, è inoltre opportuno controllare il comportamento e i nomi delle impostazioni nella documentazione API aggiornata di DeepSeek.

Perché portare la visione sul modello Flash

Nelle fonti disponibili DeepSeek non presenta una spiegazione strategica formale del posizionamento. Il design del prodotto, tuttavia, indica un obiettivo preciso: rendere abbastanza economica la percezione visiva da permettere agli agenti di compiere osservazioni ripetute.

Screenshot, schermate di gioco, dashboard e stati delle applicazioni diventano davvero utili in un ciclo agente-strumento solo se il modello può esaminarli regolarmente senza rendere proibitivo il costo di ogni iterazione. Collocare la visione nella famiglia Flash permette inoltre agli sviluppatori di aggiungere immagini a flussi esistenti di automazione e tool calling, invece di spostare l’intera applicazione su un piano multimodale premium.

Per questo il modello è particolarmente interessante per chi costruisce agenti che operano su schermo, strumenti da screenshot a codice e applicazioni che hanno bisogno di un riscontro visivo frequente. Il quadro, al momento, è semplice: DeepSeek V4-Flash-Vision-Exp offre un limite dichiarato molto contenuto per i token immagine e modalità flessibili di caricamento, mentre la leadership nei benchmark e il comportamento in produzione restano da confermare. Il punto di partenza più prudente è testarlo con screenshot realistici, budget di output espliciti e controlli di qualità indipendenti.