DeepSeek aggiunge la vista a V4-Flash, ma il confronto con Opus 4.8 va verificato

DeepSeek-V4-Flash-Vision-Exp è un'estensione multimodale sperimentale del modello V4-Flash. Lanciato il 21 agosto 2026, aggiunge la comprensione delle immagini alle capacità già disponibili di testo, ragionamento e gestione di agenti, mantenendo l'accesso tramite le API per sviluppatori di DeepSeek.

L'obiettivo è rendere più economici gli agenti capaci di interpretare ciò che appare in una foto, in uno screenshot, in un grafico o in un documento. Il richiamo a Claude Opus 4.8 attira l'attenzione, ma la cautela è d'obbligo: i risultati disponibili provengono soprattutto dalle valutazioni pubblicate dalla stessa DeepSeek. Il lancio è quindi rilevante per gli sviluppatori e per la competizione tra modelli, senza dimostrare ancora una parità generale con il modello di punta di Anthropic.

Che cosa aggiunge Vision-Exp

La novità centrale è l'input visivo. Gli sviluppatori possono inviare testo e immagini nella stessa richiesta, così un agente può interpretare il contenuto prima di rispondere o di usare strumenti esterni. Gli impieghi possibili includono fotografie, schermate, grafici, pagine di documenti e altri contenuti visivi supportati.

Nelle richieste API il modello è identificato da:

deepseek-v4-flash-vision-exp

DeepSeek afferma che il modello conserva le capacità testuali della famiglia V4-Flash, comprese capacità di ragionamento, gestione degli agenti e conoscenza generale. Nel changelog ufficiale compaiono, tra gli altri, i punteggi 83,9 su Terminal Bench 2.1, 59,3 su DeepSWE e 63,6 su DSBench-Hard.

La distinzione è importante: Vision-Exp non è presentato come un semplice sistema per generare didascalie alle immagini. L'idea è estendere un modello già orientato al testo e agli agenti a flussi di lavoro in cui l'AI deve capire ciò che si trova sullo schermo o dentro un'immagine.

Il confronto con Claude Opus 4.8

DeepSeek sostiene che Vision-Exp si avvicini a Claude Opus 4.8 nei benchmark per agenti multimodali, mantenendo al tempo stesso le prestazioni testuali di V4-Flash. Nel confronto pubblicato dall'azienda e riportato da The Next Web, il modello DeepSeek risulta in testa in 3 degli 11 benchmark elencati.

Il dato va interpretato in modo circoscritto. Dire che il modello è «vicino a Opus 4.8» significa descrivere il risultato in una selezione di test scelta e presentata da DeepSeek; non equivale a dimostrare la stessa qualità in ogni attività visiva, carico di lavoro di programmazione o sessione prolungata con un agente.

Il changelog ufficiale riporta inoltre 36,5 su ApexBench, 27,3 su Agents' Last Exam, 64,3 su Chartography e 35,0 su ZeroBench Pass@5.

Questi numeri non chiariscono però aspetti decisivi per l'uso in produzione: prompt, ambiente degli strumenti, selezione dei compiti, latenza, gestione degli errori e metodologia di valutazione possono cambiare sensibilmente il risultato. Con le informazioni disponibili non ci sono prove indipendenti sufficienti per trasformare il confronto in una classifica definitiva dei modelli.

Sui benchmark testuali la tesi è più prudente

Per gli usi basati soprattutto sul testo, la promessa principale è la continuità, non una netta superiorità. DeepSeek presenta Vision-Exp come un modello che conserva le capacità testuali di V4-Flash: gli sviluppatori possono quindi aggiungere l'input visivo senza rinunciare alle caratteristiche già associate al modello di base.

Per la scelta tecnica, questo implica una distinzione pratica:

• nelle applicazioni solo testuali, Vision-Exp viene presentato come un'estensione di V4-Flash, non come un sostituto già dimostrato dei modelli di fascia superiore;
• negli agenti che lavorano con immagini e schermate, la comprensione visiva è il motivo principale per metterlo alla prova;
• prima di una decisione di produzione, i punteggi pubblicati andrebbero affiancati a test specifici sul proprio caso d'uso, con gli stessi prompt, strumenti e obiettivi di latenza dell'applicazione finale.

Accesso API e formati delle immagini

Vision-Exp è disponibile sulla piattaforma API di DeepSeek. Il rilascio supporta Chat Completions, Messages e Responses, oltre all'input misto di testo e immagini.

Un'immagine può essere fornita in tre modi:

• come data URL in base64;
• tramite un URL HTTP(S) pubblicamente accessibile;
• usando un file_id per un'immagine caricata attraverso la Files API.

I formati documentati sono JPEG, PNG, GIF e WebP. Anche la Responses API accetta una parte di contenuto input_image, con URL dell'immagine, data URL in base64 o riferimento a un file caricato.

Prezzi e limite di 384 token per immagine

L'input visivo viene convertito in token fatturabili. DeepSeek indica che ogni immagine contribuisce per un massimo di 384 token di input, applicando la struttura tariffaria di V4-Flash.

Le tariffe V4-Flash associate al lancio sono:

• input non memorizzato in cache: 0,22 dollari per milione di token nelle fasce non di punta e 0,44 dollari nelle fasce di punta;
• input memorizzato in cache: 0,007 dollari per milione di token nelle fasce non di punta e 0,014 dollari nelle fasce di punta;
• output: 0,66 dollari per milione di token nelle fasce non di punta e 1,32 dollari nelle fasce di punta.

Il tetto di 384 token rende relativamente prevedibile il costo della componente immagine. Non limita però il testo associato, le chiamate agli strumenti o l'output generato: una singola interazione completa con un agente può quindi consumare molti più token dell'immagine stessa.

Harness e Files API

In concomitanza con il modello, DeepSeek ha rilasciato Harness 0.1.1 con supporto integrato a Vision-Exp. La novità interessa soprattutto chi costruisce agenti capaci di usare strumenti, non soltanto chi invia domande isolate su un'immagine.

È arrivata anche una Files API gratuita. Gli sviluppatori possono caricare un'immagine una volta e riutilizzarla nelle richieste successive passando un file_id, invece di inviare ogni volta gli stessi dati. DeepSeek documenta i riferimenti nel formato file-api-....

Il meccanismo è utile, per esempio, quando un agente deve analizzare più volte lo stesso screenshot, la stessa pagina di un documento o una risorsa grafica durante una conversazione a più turni. La Files API può essere gratuita, ma l'inferenza del modello e l'uso dei token restano soggetti a fatturazione.

Perché il lancio conta nella competizione sull'AI

Vision-Exp mostra come la competizione si stia spostando dalla sola qualità del modello all'intero pacchetto per sviluppatori: capacità multimodali, compatibilità delle API, prezzi, gestione dei file e strumenti per gli agenti. DeepSeek propone un'estensione visiva della linea Flash alle tariffe pubblicate per V4-Flash, usando Opus 4.8 di Anthropic come riferimento di fascia alta nei propri confronti.

Il peso concreto del modello dipenderà meno da una singola tabella di benchmark e più dalla sua affidabilità in attività come programmazione guidata da screenshot, analisi di documenti, agenti per interfacce grafiche e utilizzo visivo degli strumenti. L'etichetta «sperimentale» suggerisce di validare direttamente questi flussi prima di impiegarlo in processi critici.

La conclusione più solida, per ora, è misurata: DeepSeek ha reso più accessibile il ragionamento visivo a basso costo attraverso il proprio ecosistema API, e i primi benchmark indicano una sfida concreta in alcuni test multimodali. A stabilire se Vision-Exp diventerà un'alternativa duratura o resterà un esperimento interessante saranno le valutazioni indipendenti, l'affidabilità nel mondo reale e l'adozione degli sviluppatori.