DeepSeek V4-Flash-Vision-Exp adiciona visão ao modelo Flash por até 384 tokens por imagem

A DeepSeek lançou, em 21 de agosto de 2026, o deepseek-v4-flash-vision-exp, uma versão experimental do V4-Flash capaz de receber imagens junto com texto pela API. A novidade permite que agentes analisem capturas de tela, interfaces, gráficos e outros estados visuais sem migrar necessariamente para um modelo multimodal de preço premium. 114

O principal destaque está no custo: cada imagem é convertida em no máximo 384 tokens de entrada e cobrada pela tarifa normal do V4-Flash. A empresa também afirma que o desempenho do modelo em agentes visuais já se aproxima do Claude Opus 4.8 — uma comparação baseada em resultados divulgados pela própria DeepSeek e ainda sem confirmação independente. 319

O que o novo modelo acrescenta

O modelo é acessado pelo identificador deepseek-v4-flash-vision-exp. Ele combina entradas de texto e imagem, mantendo a base de geração de texto, uso de ferramentas e agentes da família V4-Flash. A integração está disponível nos formatos Chat Completions, Messages e Responses. 412

Na prática, isso permite criar um ciclo de agente mais próximo do uso real de um computador: o sistema examina uma captura de tela, decide o próximo passo, aciona uma ferramenta e analisa novamente o resultado. Entre as demonstrações relatadas estão a geração de código executável a partir de capturas de tela e o uso de entradas visuais em fluxos de criação de jogos. 510

Três formas de enviar imagens

Os desenvolvedores podem fornecer imagens de três maneiras:

• Base64 embutido: a imagem local é incluída na solicitação como uma URL de dados.
• URL externa: o aplicativo envia uma URL HTTP(S) pública para que a API busque a imagem.
• Files API: a imagem é carregada uma vez e depois reutilizada em outras solicitações por meio do file_id retornado. 6714

A Files API não tem custo de uso e é especialmente útil quando a aplicação precisa consultar repetidamente a mesma imagem. Ao reutilizar a referência do arquivo, o sistema evita reenviar os mesmos dados a cada chamada, reduzindo o tráfego em fluxos recorrentes de agentes. 112

O preço: até 384 tokens por imagem

Segundo a DeepSeek, cada imagem é tokenizada para fins de cobrança em no máximo 384 tokens de entrada. Esses tokens seguem a tarifa comum do V4-Flash, sem uma sobretaxa específica para visão. 3614

Uma tabela de preços publicada lista, para o modelo de visão, US$ 0,44 por milhão de tokens de entrada não armazenados em cache e US$ 1,32 por milhão de tokens de saída nos períodos de pico. A mesma tabela informa uma janela de contexto de 1 milhão de tokens e uma saída máxima de 384 mil tokens. 1

Relatos descrevem o limite de 384 tokens como inferior a metade do consumo atribuído a algumas comparações com modelos GPT e Claude. A comparação, porém, deve ser vista como uma indicação de direção, não como um benchmark totalmente padronizado: as fontes fornecidas não comprovam versões idênticas dos modelos, resoluções iguais ou as mesmas premissas de cobrança. 327

O efeito prático é mais claro. Um agente que verifica muitas capturas de tela pode ter um custo de entrada visual previsível e relativamente baixo, sem precisar usar um modelo multimodal premium a cada observação.

Desempenho promissor, mas ainda baseado em dados da empresa

A DeepSeek afirma que o novo modelo preserva as capacidades textuais do V4-Flash, incluindo raciocínio, conhecimento geral e funções de agente, enquanto acrescenta a entrada visual. 626

A empresa também divulgou uma melhora expressiva em benchmarks de agentes multimodais e disse que o desempenho se aproximou do Claude Opus 4.8. Algumas tabelas publicadas colocam o modelo perto do Opus 4.8 em tarefas selecionadas, mas os resultados variam conforme o benchmark. 4192123

Essa ressalva é importante. A frase “próximo do Opus 4.8” deve ser interpretada, neste momento, como uma alegação baseada nas avaliações da DeepSeek — não como prova de equivalência entre os modelos em todos os fluxos de agentes visuais. Testes independentes ainda serão necessários para medir confiabilidade, precisão visual e desempenho no uso de ferramentas fora do ambiente avaliado pela empresa.

Atenção ao orçamento de saída

Antes de colocar o modelo em um fluxo visual de produção, os desenvolvedores devem testar as configurações de raciocínio. Um teste prático relatado indicou que os tokens de pensamento podem consumir todo o orçamento de conclusão, deixando a resposta visível vazia. A recomendação apresentada foi desativar o modo de pensamento em tarefas visuais relevantes ou aumentar max_tokens para reservar espaço para a resposta. 27

Esse é um alerta de integração, não uma conclusão geral sobre a capacidade do modelo. Quando o raciocínio estiver ativado, a aplicação deve reservar tokens suficientes tanto para o processamento interno quanto para a resposta destinada ao usuário. Também é importante confirmar os parâmetros e o comportamento atuais na documentação da API da DeepSeek antes de depender de uma configuração específica.

Por que levar visão ao modelo Flash?

As fontes fornecidas não trazem uma explicação estratégica formal da DeepSeek. Ainda assim, o desenho do produto aponta para um objetivo evidente: tornar a percepção visual barata o bastante para ser usada repetidamente por agentes. Capturas de tela, telas de jogos, painéis e estados de aplicativos só são realmente úteis quando o agente pode examiná-los com frequência sem tornar cada ciclo caro demais.

Ao lançar a visão como uma variante experimental do Flash, a DeepSeek também permite que desenvolvedores acrescentem entrada de imagem a fluxos de agentes e chamadas de ferramentas já baseados em uma API de menor custo. Isso evita, em tese, a migração completa para uma camada multimodal premium e torna o modelo relevante para agentes que operam por telas, ferramentas de conversão de captura de tela em código e aplicações que precisam de retorno visual frequente.

O balanço inicial é direto: o DeepSeek V4-Flash-Vision-Exp oferece um limite declarado de tokens por imagem incomumente baixo e formas flexíveis de ingestão. Ao mesmo tempo, suas alegações de desempenho e seu comportamento em produção ainda precisam ser testados. Para começar, a abordagem mais segura é usar capturas de tela realistas, definir explicitamente o orçamento de saída e comparar a qualidade com avaliações independentes.