DeepSeek V4 Flash Vision Exp: Et billig synsinntrykk med en stor Opus-påstand

DeepSeek-V4-Flash-Vision-Exp er den første modellen i DeepSeeks V4-Flash-serie med synsforståelse. Den beholder ifølge selskapet V4-Flash-egenskapene innen tekst, resonnering, agenter og verdensforståelse, samtidig som den kan ta imot bilder. DeepSeek sier at modellen ligger nær Claude Opus 4.8 i multimodale agentoppgaver. Det er imidlertid en selskaps påstand – ikke et ferdig, uavhengig resultat på tvers av alle oppgaver.

Hva er DeepSeek V4 Flash Vision Exp?

Modellen kan kalles gjennom DeepSeeks API med modell-ID-en deepseek-v4-flash-vision-exp. I lanseringsnotatet beskriver DeepSeek den som lik V4-Flash på tekstlige oppgaver, inkludert agenter, resonnering og verdensforståelse, men med et betydelig løft på oppgaver der visuell forståelse er nødvendig.

Den praktiske forskjellen er altså hva modellen kan lese inn. Utviklere kan sende tekst sammen med JPEG-, PNG-, GIF- eller WebP-bilder. Det åpner for å beskrive bilder, lese tekst fra skjermbilder, svare på visuelle spørsmål og analysere diagrammer.

Suffikset «Exp» er viktig. Dette er et eksperimentelt API-produkt, ikke dokumentasjon på at DeepSeek allerede har en moden forbrukertjeneste eller en direkte erstatning for en etablert produksjonsmodell.

API, bilder og verktøy

DeepSeek dokumenterer støtte for blandede tekst- og bildeforespørsler gjennom både Chat Completions- og Responses-grensesnittene. deepseek-v4-flash-vision-exp står oppført som en støttet modell-ID i begge API-ene.

Bilder kan sendes som innebygde data, via eksterne URL-er eller gjennom Files API. Responses-dokumentasjonen beskriver også spesifikt hvordan bilder kan sendes til denne modellen.

Dette gjør modellen interessant for agentutviklere. En agent kan for eksempel tolke et skjermbilde, et diagram eller et skannet dokument før den bestemmer hvilket verktøy som skal brukes videre. DeepSeek dokumenterer også Codex-integrasjon, der Vision Exp er oppført som et alternativ med støtte for bildeinndata.

DeepSeek Harness 0.1.1 fikk ifølge selskapets lanseringsnotat støtte for modellen, noe som gir utviklere enda en inngang til agentarbeidsflyter. GitHub Copilot-dokumentasjonen nevner derimot V4 Pro og V4 Flash i modellvelgeren, og beskriver bildehåndtering gjennom en annen installert Copilot-modell. Den bekrefter derfor ikke at Vision Exp kan velges direkte der.

Ytelse: lovende tall, begrenset kontroll

DeepSeeks viktigste påstand er at Vision Exp beholder V4-Flash-ytelsen på tekst, samtidig som den gjør et stort hopp på multimodale agenttester og nærmer seg Claude Opus 4.8.

Sekundær omtale av lanseringen gjengir blant annet en score på 64,3 i Chartography, 36,5 i ApexBench Pass@1, 27,3 i Agents’ Last Exam og 35,0 i ZeroBench Pass@5. Tallene er imidlertid ikke presentert i kildematerialet som en detaljert, uavhengig og reproduserbar sammenligning mellom leverandører.

«Nær Opus 4.8» betyr derfor ikke at modellen slår Claude totalt, matcher modellen på alle oppgaver eller har samme stabilitet i produksjon. Det foreligger ingen nøytral test her med identiske instruksjoner, verktøymiljøer, responstider, feilrater og kostnader for DeepSeek og Anthropic.

Den mest holdbare konklusjonen er smalere: DeepSeek har lansert en reell og dokumentert API-modell med synsforståelse, og selskapets egne tall tyder på et tydelig løft sammenlignet med tekstbaserte V4-Flash på oppgaver der bilder spiller en rolle. Modellens nøyaktige plassering mot Claude, OpenAI, Google og andre kinesiske AI-modeller er fortsatt uavklart.

Pris: langt lavere tokenpris enn Opus

Tilgjengelige modelloversikter oppgir en pris på 0,22 dollar per million input-token og 0,66 dollar per million output-token for Vision Exp. Kontekstvinduet er oppgitt til 1 million token. DeepSeeks egen prisdokumentasjon bekrefter at API-prisene beregnes per million token, og inkluderer deepseek-v4-flash-vision-exp i modelltabellen.

Bilder gjøres om til token og inngår i API-faktureringen. En rapport som viser til DeepSeeks publiserte veiledning, oppgir at ett bilde kan utgjøre opptil 384 token, og at modellen følger V4-Flash-prisstrukturen. Den faktiske kostnaden avhenger derfor også av antall og størrelse på bildene, mengden tekst rundt dem, svarlengden og hvor mye kontekst som sendes på nytt.

Anthropic oppgir Claude Opus 4.8 til 5 dollar per million basetoken for input og 25 dollar per million output-token. Selskapet har i tillegg egne priser for hurtigmodus og hurtigbufring.

På selve tokenprisen er DeepSeek dermed betydelig billigere. Det er en god grunn til å teste modellen, men ikke alene et bevis på lavere totalkostnad. En billigere modell kan bli dyrere i praksis hvis den trenger flere forsøk, gjør flere verktøyfeil eller krever ekstra bildebehandling.

DeepSeek Vision Exp mot Claude Opus 4.8

De to modellene har overlappende bruksområder, men ulik posisjon:

• DeepSeek V4 Flash Vision Exp: En eksperimentell, API-først multimodal modell som legger bildeinndata og agentfunksjoner til en rimeligere Flash-modell. Den er tilgjengelig gjennom DeepSeeks dokumenterte API-formater og har langt lavere oppgitte tokenpriser enn Opus.
• Claude Opus 4.8: Anthropics flaggskipmodell, med justerbar arbeidsinnsats, hurtigmodus og et mer etablert produkt- og plattformøkosystem. Ordinær pris er 5 dollar per million input-token og 25 dollar per million output-token.

DeepSeeks strategi er lett å se: Selskapet vil bringe synsforståelse inn i en rimeligere modellklasse, samtidig som det hevder ytelse nær en dyr premium-modell på multimodale agentoppgaver. Kildene beviser ikke at Claude er best på alle enkeltoppgaver. Anthropics fortrinn i denne sammenligningen er først og fremst en mer etablert produktflate, verktøystøtte og markedsposisjon.

Sammenligningen bør gjøres oppgave for oppgave. I en pipeline som leser skjermbilder eller henter ut data fra diagrammer, kan Vision Exp være god nok til en langt lavere tokenpris. I en autonom arbeidsflyt med høye konsekvenser er konsistens, verktøypresisjon, håndtering av avslag, logging og evnen til å komme seg etter feil viktigere enn en enkelt benchmarkscore.

Hvorfor lanseringen betyr noe

Synsforståelse er i ferd med å bli en del av agentarbeid, ikke bare en funksjon for spørsmål om bilder. Kodeagenter kan måtte lese skjermbilder, nettleseragenter kan tolke nettsider, og virksomhetssystemer kan måtte kombinere dokumenter, diagrammer og verktøykall.

DeepSeek har allerede presentert V4-familien som rettet mot lange kontekster og agentoppgaver, mens Flash beskrives som det raskere og mer økonomiske alternativet i familien. Vision Exp viderefører denne retningen ved å gjøre agentene multimodale, i stedet for å lansere en separat modell som bare svarer på bilder.

Det er likevel for tidlig å erklære DeepSeek som ledende foran Anthropic, OpenAI, Google eller andre kinesiske AI-laboratorier. Kildene inneholder ingen uavhengig sammenligning med like vilkår, og en eksperimentell API-lansering er ikke det samme som en moden flaggskipmodell i produksjon.

Bør utviklere teste modellen?

Ja – men i en kontrollert test.

En nyttig prøve bør sammenligne Vision Exp med Claude Opus 4.8 og dagens produksjonsmodell på de samme bilde- og verktøyoppgavene. Følg særlig med på:

1. Hvor riktig modellen tolker små tekster, tabeller og diagrammer.
2. Feil i valg av verktøy og argumentene som sendes til verktøyene.
3. Hvor ofte oppgaven fullføres uten nye forsøk eller menneskelig korrigering.
4. Responstid og svarlengde.
5. Kostnader for input, output og bilde-token.
6. Hvordan modellen håndterer uklare, skadde eller misvisende bilder.
7. Stabilitet ved gjentatte kjøringer og små endringer i instruksjonen.

Konklusjonen bør derfor være forsiktig, men positiv: DeepSeek V4 Flash Vision Exp er et troverdig nytt multimodalt API-eksperiment med attraktive oppgitte priser og nyttige utviklergrensesnitt. Påstanden om ytelse nær Claude Opus 4.8 er interessant nok til å testes – men ikke godt nok dokumentert til å behandles som et uavhengig etablert faktum.