DeepSeek dodaje wzrok do modelu V4-Flash. Wyniki blisko Claude Opus 4.8 wymagają jednak weryfikacji

To stwierdzenie trzeba jednak czytać wąsko. „Zbliża się do Opus 4.8” oznacza podobny poziom w wybranym zestawie ewaluacji DeepSeek, a nie potwierdzoną równorzędność we wszystkich zadaniach wizualnych, programistycznych czy długotrwałych sesjach agentowych.

W changelogu DeepSeek podano dla Vision-Exp między innymi następujące wyniki:

• 36,5 w ApexBench;
• 27,3 w Agents’ Last Exam;
• 64,3 w Chartography;
• 35,0 w ZeroBench Pass@5.

Same liczby nie odpowiadają jednak na kluczowe pytania dotyczące zastosowań produkcyjnych. Rezultaty benchmarków mogą zależeć od promptów, konfiguracji narzędzi, wyboru zadań, wymagań dotyczących opóźnień, sposobu obsługi błędów i metodologii oceny. Dostępne materiały nie dostarczają wystarczających, niezależnych dowodów, by uznać porównanie za ostateczny ranking modeli.

W zadaniach tekstowych przekaz jest ostrożniejszy

Najmocniejszą deklaracją dotyczącą zastosowań tekstowych nie jest wyraźna przewaga, lecz ciągłość. DeepSeek przedstawia Vision-Exp jako model zachowujący możliwości V4-Flash, dzięki czemu deweloperzy nie muszą rezygnować z jego dotychczasowego rozumowania i działania agentowego tylko po to, by uzyskać dostęp do obrazów.

W praktyce oznacza to kilka rzeczy:

• w aplikacjach tekstowych Vision-Exp jest prezentowany raczej jako rozszerzenie V4-Flash niż jako udowodniony zamiennik modeli z wyższej półki;
• w agentach wykorzystujących obrazy głównym powodem do testów jest właśnie dodana obsługa wizji;
• przed wdrożeniem produkcyjnym warto przeprowadzić własne testy na tych samych promptach, narzędziach i docelowych limitach opóźnień, które będą używane w aplikacji.

Dostęp do API i sposoby przesyłania obrazów

Vision-Exp jest dostępny na platformie API DeepSeek. Premiera obejmuje formaty Chat Completions, Messages i Responses, a także mieszane wejście tekstowo-obrazowe.

Obraz można przekazać na trzy sposoby:

• jako adres data URL zawierający dane base64;
• jako publicznie dostępny adres HTTP(S);
• jako file_id wskazujący obraz przesłany wcześniej przez Files API.

Obsługiwane formaty to JPEG, PNG, GIF i WebP. W Responses API obraz jest przekazywany jako część treści typu input_image, z wykorzystaniem adresu obrazu, danych base64 albo identyfikatora przesłanego pliku.

Ceny i limit 384 tokenów na obraz

Obrazy są przeliczane na rozliczane tokeny wejściowe. DeepSeek podaje, że jeden obraz może odpowiadać maksymalnie 384 tokenom, a rozliczenie odbywa się według cennika V4-Flash.

Opublikowane stawki powiązane z premierą wynoszą:

• wejście bez trafienia w cache: 0,22 USD za milion tokenów poza szczytem i 0,44 USD w godzinach szczytu;
• wejście z trafieniem w cache: 0,007 USD za milion tokenów poza szczytem i 0,014 USD w godzinach szczytu;
• wyjście: 0,66 USD za milion tokenów poza szczytem i 1,32 USD w godzinach szczytu.

Limit 384 tokenów sprawia, że koszt samej części obrazowej żądania jest dość przewidywalny. Nie obejmuje on jednak towarzyszącego tekstu, wywołań narzędzi ani wygenerowanej odpowiedzi. Cała interakcja agenta może więc zużyć znacznie więcej tokenów niż sam obraz.

Harness 0.1.1 i Files API

W dniu premiery DeepSeek udostępnił Harness 0.1.1 z gotową obsługą Vision-Exp. Ma to znaczenie dla osób budujących agentów wykonujących wieloetapowe zadania, a nie tylko wysyłających pojedyncze pytania dotyczące obrazu.

Równocześnie uruchomiono bezpłatne Files API. Deweloper może przesłać obraz raz, a w kolejnych żądaniach odwoływać się do niego za pomocą file_id, zamiast za każdym razem wysyłać te same dane. DeepSeek dokumentuje identyfikatory plików w formacie file-api-....

Takie rozwiązanie przydaje się, gdy agent wielokrotnie analizuje ten sam zrzut ekranu, stronę dokumentu lub inny materiał wizualny. Samo Files API ma być bezpłatne, ale wnioskowanie i zużycie tokenów przez model nadal podlegają opłatom.

Co ta premiera zmienia w rywalizacji AI?

V4-Flash-Vision-Exp pokazuje, że konkurencja między dostawcami modeli obejmuje już nie tylko jakość odpowiedzi. Liczą się także obsługa wielu modalności, zgodność API, cena, możliwość ponownego wykorzystania plików i narzędzia do budowania agentów. DeepSeek oferuje wizualne rozszerzenie linii Flash po stawkach publikowanych dla V4-Flash, a Claude Opus 4.8 wykorzystuje jako punkt odniesienia w swoich raportach.

Nie oznacza to jednak, że DeepSeek wypuścił nowy model flagowy. Określenia „Flash” i „Exp” sugerują produkt nastawiony na szybkość, koszt i eksperymentowanie, a nie definitywną deklarację przewagi nad najdroższymi modelami konkurencji.

O praktycznej wartości rozwiązania zdecyduje to, czy deweloperzy uznają je za wystarczająco niezawodne w zadaniach takich jak programowanie na podstawie zrzutów ekranu, analiza dokumentów, obsługa interfejsów czy korzystanie z narzędzi na podstawie obrazu. Model oznaczony jako eksperymentalny powinien zostać najpierw sprawdzony na rzeczywistych procesach, zanim trafi do krytycznych zastosowań produkcyjnych.

Najostrożniejszy wniosek jest zarazem najbardziej użyteczny: DeepSeek ułatwił dostęp do niedrogiego rozumowania wizualnego w ramach istniejącego ekosystemu API, a jego pierwsze benchmarki wskazują na istotny postęp w wybranych testach multimodalnych. Dopiero niezależne ewaluacje, niezawodność w realnych zadaniach i trwałe zainteresowanie deweloperów pokażą, czy Vision-Exp stanie się alternatywą dla modeli premium, czy pozostanie obiecującym eksperymentem.