DeepSeek dodaje wzrok do modelu Flash. Jedno zdjęcie to maksymalnie 384 tokeny

21 sierpnia 2026 r. DeepSeek uruchomił w swoim API eksperymentalny model deepseek-v4-flash-vision-exp. To wariant V4-Flash, który przyjmuje nie tylko tekst, lecz także obrazy. Deweloperzy mogą dzięki temu budować agentów analizujących zrzuty ekranu, interfejsy, wykresy czy kolejne stany aplikacji. 114

Najważniejsza informacja nie dotyczy jednak samego faktu, że model „widzi”, lecz sposobu rozliczania tej funkcji. DeepSeek twierdzi, że obraz zajmuje w rozliczeniu najwyżej 384 tokeny wejściowe i jest wyceniany według stawek V4-Flash — bez osobnej dopłaty za obsługę wizji. Firma deklaruje też, że możliwości modelu w pracy z agentami wizualnymi zbliżają się do Claude Opus 4.8. To jednak wyniki przedstawione przez producenta, a nie niezależnie potwierdzony werdykt. 319

Co potrafi V4-Flash-Vision-Exp?

Model wywołuje się za pomocą identyfikatora deepseek-v4-flash-vision-exp. Łączy wejście tekstowe i obrazowe, zachowując podstawę V4-Flash odpowiedzialną za generowanie tekstu, rozumowanie, korzystanie z narzędzi i pracę agentową. Obsługuje mieszane prompty w interfejsach Chat Completions, Messages oraz Responses. 412

W praktyce nie chodzi więc wyłącznie o opisanie pojedynczego zdjęcia. Agent może działać w pętli: obejrzeć zrzut ekranu, zdecydować o kolejnym kroku, wywołać narzędzie, a następnie przeanalizować nowy stan interfejsu. W prezentowanych demonstracjach model generował wykonywalny kod na podstawie zrzutów ekranu i wykorzystywał obraz w procesie tworzenia gier. 510

Trzy sposoby przesyłania obrazów

Deweloperzy mają do wyboru trzy metody:

• Base64 w treści żądania — lokalny plik można osadzić jako adres danych data:.
• Zewnętrzny adres URL — API pobiera obraz z publicznie dostępnego adresu HTTP(S).
• Files API — obraz jest przesyłany raz, a w kolejnych żądaniach wskazuje się go za pomocą zwróconego identyfikatora file_id. 6714

Files API jest bezpłatne i najlepiej sprawdzi się w aplikacjach, które wielokrotnie analizują ten sam obraz, na przykład w agentach obserwujących określony ekran. Ponowne użycie odwołania do pliku eliminuje konieczność wysyłania identycznych danych przy każdym żądaniu, ograniczając zużycie pasma. 112

Maksymalnie 384 tokeny na obraz

Według DeepSeek każdy obraz jest tokenizowany na potrzeby rozliczeń do poziomu maksymalnie 384 tokenów wejściowych. Tokeny te są naliczane według standardowej stawki V4-Flash, więc analiza obrazu nie trafia do osobnego, droższego pakietu multimodalnego. 3614

Jedna z opublikowanych tabel cenowych podaje w godzinach szczytu 0,44 dol. za milion niebuforowanych tokenów wejściowych oraz 1,32 dol. za milion tokenów wyjściowych. Dla modelu wskazano również okno kontekstowe o wielkości 1 miliona tokenów i maksymalnie 384 000 tokenów wyjściowych. 1

Niektóre doniesienia opisują limit 384 tokenów jako mniej niż połowę zużycia spotykanego w porównaniach z wybranymi modelami GPT i Claude. To jednak porównanie orientacyjne, a nie w pełni ujednolicony benchmark: dostępne materiały nie potwierdzają tych samych wersji modeli, rozdzielczości obrazów ani założeń dotyczących rozliczeń. 327

Dla użytkowników najważniejszy jest prostszy wniosek. Agent, który często sprawdza zrzuty ekranu, może otrzymać przewidywalny i stosunkowo niewielki koszt wejścia obrazowego, zamiast korzystać przy każdej obserwacji z droższego modelu multimodalnego.

Wyniki blisko Opus 4.8? Na razie deklaracja DeepSeek

DeepSeek twierdzi, że nowy model zachowuje tekstowe możliwości V4-Flash, w tym rozumowanie, wiedzę o świecie i funkcje agentowe, a jednocześnie zyskuje zdolność przyjmowania obrazów. 626

Firma poinformowała również o wyraźnej poprawie wyników w benchmarkach agentów multimodalnych i o zbliżeniu do Claude Opus 4.8. W części opublikowanych zestawień model wypada blisko Opusa, ale rezultaty różnią się w zależności od testu. 4192123

To istotne zastrzeżenie. Sformułowanie „blisko Opus 4.8” należy obecnie rozumieć jako opis wyników ewaluacji przedstawionych przez DeepSeek, a nie dowód równoważności modeli w rzeczywistych zastosowaniach. Niezależne testy będą potrzebne, by ocenić stabilność, trafność rozumienia obrazu i skuteczność korzystania z narzędzi poza środowiskiem przygotowanym przez producenta.

Ważna pułapka integracyjna: pilnuj budżetu odpowiedzi

Przed wdrożeniem modelu w produkcyjnej pętli wizualnej warto przetestować ustawienia rozumowania. W opisywanym teście tokeny przeznaczone na thinking mogły pochłonąć cały limit odpowiedzi, przez co użytkownik nie otrzymywał widocznego rezultatu. Jako rozwiązanie wskazano wyłączenie thinking w odpowiednich zadaniach wizualnych albo zwiększenie wartości max_tokens, tak aby model miał miejsce na zwrócenie odpowiedzi. 27

To ostrzeżenie dotyczące integracji, a nie ostateczna ocena możliwości modelu. Jeśli rozumowanie jest włączone, aplikacja powinna zarezerwować wystarczający limit zarówno na proces wewnętrzny, jak i odpowiedź dla użytkownika. Przed oparciem produkcyjnego rozwiązania na konkretnym parametrze trzeba też sprawdzić jego aktualne działanie i nazwę w dokumentacji DeepSeek.

Dlaczego wizja trafia właśnie do modelu Flash?

W dostarczonych materiałach DeepSeek nie przedstawia formalnego uzasadnienia strategicznego. Konstrukcja produktu wskazuje jednak na konkretny cel: obniżenie kosztu percepcji na tyle, aby agent mógł regularnie obserwować ekran i podejmować kolejne działania. Zrzuty ekranu, klatki z gier, pulpity danych czy stany aplikacji są dla agenta użyteczne dopiero wtedy, gdy można analizować je często bez drastycznego podnoszenia kosztów każdej iteracji. 356

Wariant eksperymentalny oparty na Flash pozwala też dodać wejście obrazowe do istniejących, tańszych przepływów pracy z agentami i wywoływaniem narzędzi, zamiast przenosić całą aplikację do osobnej, premiumowej usługi multimodalnej. Z tego powodu premiera jest szczególnie interesująca dla twórców agentów sterowanych ekranem, narzędzi zamieniających zrzuty ekranu w kod oraz aplikacji potrzebujących częstej informacji zwrotnej z obrazu.

Bilans jest na dziś dość klarowny: DeepSeek V4-Flash-Vision-Exp oferuje niski deklarowany limit tokenów obrazu, kilka elastycznych metod przesyłania i bezpłatne ponowne wykorzystywanie plików. Jednocześnie przewaga w benchmarkach oraz zachowanie modelu w produkcji pozostają kwestiami do zweryfikowania. Najrozsądniejszy start to kontrolowane testy na rzeczywistych zrzutach ekranu, z jasno ustawionym budżetem odpowiedzi i niezależną kontrolą jakości.