DeepSeek rzuca wyzwanie cenom modeli widzących obrazy

DeepSeek V4-Flash-Vision-Exp może okazać się ważniejszy jako sygnał cenowy niż jako dowód trwałej przewagi technologicznej. Eksperymentalny model dodaje rozumienie obrazów do architektury V4-Flash. Według DeepSeek zachowuje możliwości rozumowania, pracy agentowej i wiedzy o świecie znane z modelu tekstowego, a jego wyniki w zadaniach multimodalnych zbliżają się do Anthropic Claude Opus 4.8. Obrazy są rozliczane według stawek V4-Flash, przy czym każde zdjęcie zużywa najwyżej 384 tokeny wejściowe. 64

To połączenie może znacząco obniżyć koszt wdrażania systemów AI, które „widzą”. Komercyjny efekt pozostaje jednak niepewny. Najgłośniejsze porównania opierają się przede wszystkim na danych opublikowanych przez samą firmę lub relacjach blisko z nimi związanych, a w praktyce liczą się także niezawodność, dostępność, opóźnienia i wdrożenia w przedsiębiorstwach.

Dlaczego cena może być ważniejsza niż sama premiera

Możliwości wizyjne przez długi czas traktowano jako funkcję premium. Aplikacje analizujące obrazy wymagają dodatkowego przetwarzania i często większych zasobów modelu. DeepSeek wybrał inną drogę: umieścił obsługę obrazów w tanim segmencie Flash, zamiast tworzyć osobny, droższy cennik dla modelu wizyjnego.

Według opublikowanych informacji stawka V4-Flash-Vision-Exp wynosi poza godzinami szczytu 0,22 dolara za milion niebuforowanych tokenów wejściowych oraz 0,66 dolara za milion tokenów wyjściowych. W godzinach szczytu ceny rosną odpowiednio do 0,44 i 1,32 dolara. Buforowane tokeny wejściowe są tańsze. 51

Taka ekonomika ma znaczenie zwłaszcza dla usług, które wielokrotnie analizują zrzuty ekranu, formularze, pulpity nawigacyjne, paragony, schematy techniczne czy interfejsy przeglądarkowe. Jeśli model wystarczająco dobrze radzi sobie z rutynowymi zadaniami przy niskim koszcie wejścia, programiści mogą pozwolić agentom na więcej kontroli wizualnych, ponowień i kolejnych kroków — bez zwiększania budżetu.

Limit 384 tokenów na obraz jest przy tym istotnym zastrzeżeniem. Utrzymuje koszt przetwarzania na niskim poziomie, ale może ograniczać jakość w zadaniach wymagających odczytywania drobnego tekstu, analizy gęstych dokumentów, szczegółów obrazu lub precyzyjnych relacji przestrzennych. Tani obraz nie oznacza więc automatycznie wysokiej jakości rozumienia wizualnego w każdym zastosowaniu. 53

Co twierdzi DeepSeek, a czego benchmarki nie dowodzą

DeepSeek twierdzi, że model wykonał duży skok względem tekstowego V4-Flash w testach multimodalnych agentów i zbliżył się do Opus 4.8. Opublikowane porównania pokazują jednak mieszany obraz, a nie jednoznaczne zwycięstwo. V4-Flash-Vision-Exp uzyskał 36,5 punktu wobec 39,4 punktu Opus 4.8 w ApexBench Pass@1, ale wyprzedził go w Agents’ Last Exam — 27,3 do 25,7 — oraz w ZeroBench — 35,0 do 34,0. 58

To interesujące wyniki, lecz zbliżony rezultat benchmarku nie jest równoznaczny z identyczną jakością w produkcji. Przed wdrożeniem firmy powinny sprawdzić między innymi:

• odsetek ukończonych zadań w wielu powtórzeniach;
• dokładność analizy gęstych dokumentów i małego tekstu;
• wybór narzędzi oraz odzyskiwanie po błędach;
• opóźnienia, dostępność usługi i limity zapytań;
• zachowanie na obrazach niejednoznacznych lub celowo wprowadzających w błąd;
• sposób przetwarzania danych, dostępność regionalną i mechanizmy kontroli dla przedsiębiorstw.

Najważniejszym kolejnym krokiem będą niezależne i powtarzalne testy. Do tego czasu najbardziej ostrożny wniosek brzmi: DeepSeek przedstawił wiarygodne, niskokosztowe wyzwanie dla liderów rynku, ale nie udowodnił jeszcze, że trwale pokonał czołowe modele frontier.

Presja na Anthropic, OpenAI i Google

Jeżeli model okaże się niezawodny poza własnymi testami DeepSeek, Anthropic, OpenAI i Google mogą mieć mniejszą swobodę w pobieraniu wysokiej premii wyłącznie za ogólne rozumowanie lub rozumienie obrazów. Presja będzie największa w zastosowaniach masowych i wrażliwych na koszty, w których system musi być przede wszystkim wystarczająco dobry do rutynowej pracy.

Dostawcy droższych modeli nadal mają kilka sposobów obrony swoich marż. Mogą konkurować niezawodnością w długich procesach, ekosystemem narzędzi, bezpieczeństwem, zarządzaniem, wsparciem, integracją z chmurą i dystrybucją. Model tańszy lub mocniejszy w wąskim benchmarku może przegrać wdrożenie korporacyjne, jeśli generuje więcej błędów, wymaga dodatkowego monitorowania albo nie oferuje wymaganych zabezpieczeń.

Rynek może więc podzielić się na dwa wyraźniejsze segmenty:

• tanie modele multimodalne do masowego przetwarzania dokumentów, interpretowania zrzutów ekranu, obsługi klienta i rutynowych zadań agentowych;
• premium modele frontier do trudnego rozumowania, złożonego programowania, zastosowań o wysokiej stawce, wdrożeń wymagających zgodności regulacyjnej oraz sytuacji, w których jeden błąd kosztuje więcej niż oszczędność na API.

Ryzyko dla dostawców premium nie polega zatem koniecznie na spadku popytu. Chodzi raczej o mniejszą gotowość klientów do płacenia za nieodróżniającą się funkcjonalność. Firmy mogą korzystać z wielu modeli, kierować proste zadania wizualne do tańszych systemów, a droższe rozwiązania rezerwować dla przypadków, w których jakość ma kluczowe znaczenie.

Cennik DeepSeek komplikuje opowieść o „wyścigu do zera”

DeepSeek nie obniża cen w całej ofercie. W sierpniu firma wprowadziła dla V4-Pro i V4-Flash rozliczanie w godzinach szczytu i poza nimi. W zależności od modelu, rodzaju tokenów i pory użycia nowe stawki były od 50 proc. do 1100 proc. wyższe od wcześniejszych. 17

Sugeruje to, że firma nie tylko próbuje podcinać konkurencję, ale również zarządza przepustowością i popytem. Vision może służyć jako tani punkt wejścia dla deweloperów, podczas gdy DeepSeek będzie zarabiał więcej na zaawansowanym rozumowaniu, większej przepustowości lub wykorzystaniu usługi w godzinach ograniczonej dostępności.

Dla programistów najważniejszy jest więc rzeczywisty koszt całkowity, a nie najniższa stawka z cennika. Budżet powinien uwzględniać użycie w godzinach szczytu, tokeny wyjściowe, odsetek trafień do pamięci podręcznej, ponowienia, opóźnienia i błędy. Tani model, który wymaga kilku dodatkowych prób, w praktyce może wcale nie być tańszy.

Co premiera oznacza dla inwestorów Anthropic

Premiera DeepSeek następuje w momencie, gdy Anthropic raportuje bardzo silny popyt. Reuters podał, że roczny run rate przychodów firmy przekroczył 65 mld dolarów pod koniec lipca, wobec 47 mld dolarów w maju. Run rate to ekstrapolacja bieżącego tempa sprzedaży na cały rok — nie to samo co zaksięgowane przychody roczne ani gwarancja przyszłych marż. 33

To ważne rozróżnienie. Model DeepSeek nie unieważnia obecnego sygnału wzrostu Anthropic, ale może podważyć założenia dotyczące przyszłej siły cenowej firmy i zwrotu z infrastruktury. Jeśli klienci przeniosą rutynowe zadania multimodalne do tańszych modeli, Anthropic może być zmuszony do większych rabatów lub wyższych nakładów na utrzymanie udziału w rynku.

Najbardziej bezpośrednią ekspozycję ma Amazon. Firma zobowiązała się zainwestować w Anthropic 5 mld dolarów od razu, a kolejne 20 mld dolarów może zostać przeznaczone na ten cel po spełnieniu określonych kamieni milowych. Anthropic z kolei zobowiązał się wydać ponad 100 mld dolarów na technologie chmurowe Amazona w ciągu 10 lat. 1

Jeśli popyt na Claude pozostanie silny, Amazon może korzystać zarówno ze wzrostu zużycia AWS przez Anthropic, jak i ze wzrostu wartości swojej inwestycji. Trwały zwrot klientów w stronę tańszych konkurentów oznaczałby jednak ryzyko niższego tempa wykorzystania usług Anthropic i słabszej siły cenowej. Wtedy duże zobowiązanie infrastrukturalne byłoby trudniejsze do uzasadnienia. Umowa daje Amazonowi znaczący potencjał wzrostu, ale zwiększa też koncentrację jego tezy inwestycyjnej wokół dalszej ekspansji Anthropic.

Alphabet ma inną ekspozycję. Jest inwestorem Anthropic, ale jednocześnie bezpośrednio konkuruje z tą firmą poprzez Gemini i Google Cloud. 6 Wiarygodne, tańsze modele multimodalne mogą wywołać presję cenową na całym rynku, także na ofertę API i usług AI Google’a. Ewentualne korzyści ze wzrostu wyceny Anthropic trzeba będzie zestawić z konkurencją dla własnych produktów Alphabetu.

Jakie dane rozstrzygną spór

Kolejne informacje będą ważniejsze niż sama zapowiedź premiery. Inwestorzy i deweloperzy powinni obserwować:

1. Niezależne testy multimodalne obejmujące rozumowanie wizualne, realizację zadań przez agentów, użycie narzędzi i odzyskiwanie po błędach.
2. Trwałą adopcję API — ruch, powtarzalność użycia, migrację deweloperów, dostępność usługi i wdrożenia korporacyjne.
3. Rzeczywisty koszt pracy, uwzględniający ceny szczytowe, tokeny wyjściowe, cache, ponowienia i błędy operacyjne.
4. Reakcję konkurencji, w tym zmiany cenników, rabaty dla przedsiębiorstw, mechanizmy routingu i zobowiązania dotyczące wykorzystania usług Anthropic, OpenAI i Google.
5. Jakość wzrostu Anthropic, zwłaszcza utrzymanie przychodów, faktycznie uzyskiwane ceny, marże i zużycie AWS w relacji do zobowiązań infrastrukturalnych.

Wniosek

DeepSeek V4-Flash-Vision-Exp może przyspieszyć przejście od wyścigu na same możliwości do wyścigu o relację jakości do ceny. Najważniejszą cechą modelu nie musi być to, że w wybranych testach dorównuje Opus 4.8 lub go wyprzedza. Znacznie bardziej przełomowa może okazać się obietnica użytecznych agentów multimodalnych w tanim segmencie Flash.

Finansowo destrukcyjny efekt pojawi się jednak dopiero wtedy, gdy model okaże się wystarczająco niezawodny do stałej pracy produkcyjnej. Na razie jest to wiarygodne ostrzeżenie dla dostawców drogich modeli AI i ich inwestorów: ceny modeli frontier, lojalność klientów oraz założenia dotyczące zwrotu z infrastruktury trzeba będzie bronić mierzalną przewagą produktu, a nie samą reputacją benchmarku.