DeepSeek V4 Flash Vision Exp: возможности, цена и проверка заявления о Claude Opus 4.8

Коротко: что выпустила DeepSeek

DeepSeek-V4-Flash-Vision-Exp — первая модель семейства V4-Flash с поддержкой зрения. Она доступна через API под идентификатором deepseek-v4-flash-vision-exp и, по описанию DeepSeek, сохраняет возможности V4-Flash в работе с текстом, агентами, рассуждениями и общими знаниями, одновременно заметно улучшая результаты в задачах, где нужно понимать визуальную информацию.

Название с суффиксом Exp здесь важно: речь идёт об экспериментальной версии, а не о полностью зрелом потребительском продукте. Поэтому модель разумнее рассматривать как объект тестирования и ограниченного внедрения, а не как автоматическую замену проверенного production-решения.

Что умеет Vision Exp

Модель принимает текст вместе с изображениями форматов JPEG, PNG, GIF и WebP. Это позволяет просить её:

• описывать изображения;
• читать текст на скриншотах;
• отвечать на вопросы по картинке;
• анализировать таблицы и графики;
• интерпретировать сканы и другие визуальные данные перед вызовом инструмента.

DeepSeek указывает deepseek-v4-flash-vision-exp как поддерживаемую модель для интерфейсов Chat Completions и Responses. Изображения можно передавать встроенными данными, по внешней ссылке или через Files API. Responses API также отдельно документирует передачу изображений для этой модели.

Для разработчиков агентных систем это означает практичесное расширение сценариев: агент может сначала разобрать скриншот, диаграмму или отсканированный документ, а затем решить, какой инструмент вызвать и с какими параметрами.

DeepSeek также документирует интеграцию с Codex: Vision Exp указана как вариант, добавляющий поддержку входных изображений. В версии DeepSeek Harness 0.1.1 заявлена встроенная поддержка новой модели.

При этом документация по GitHub Copilot называет в списке моделей V4 Pro и V4 Flash, а работу с изображениями описывает через другую установленную Copilot-модель. Это не подтверждает, что Vision Exp уже напрямую доступна в селекторе GitHub Copilot.

Производительность: многообещающее заявление, но не независимый вердикт

Главное заявление DeepSeek звучит так: Vision Exp сохраняет текстовые результаты V4-Flash и делает значительный скачок в мультимодальных агентских тестах, приблизившись по этой способности к Claude Opus 4.8.

В публикациях, пересказывающих объявление DeepSeek, приводятся отдельные показатели: 64,3 в Chartography, 36,5 в ApexBench Pass@1, 27,3 в Agents’ Last Exam и 35,0 в ZeroBench Pass@5. Однако эти цифры представлены через вторичные материалы, а не через подробное независимо воспроизводимое сравнение моделей разных поставщиков.

Поэтому формулировку «близка к Opus 4.8» не стоит превращать в утверждение, будто DeepSeek уже обошла Claude в целом или гарантированно равна ей по всем задачам. В доступных материалах нет нейтрального теста с одинаковыми промптами, инструментами, настройками, задержками, частотой ошибок и стоимостью для DeepSeek и Anthropic.

Самый аккуратный вывод выглядит уже: DeepSeek действительно выпустила документированную API-модель с поддержкой зрения, а опубликованные компанией результаты указывают на существенное улучшение V4-Flash в задачах, где важен визуальный ввод. Её точное положение относительно Claude, OpenAI, Google и других китайских моделей пока не подтверждено.

Цена: заметно дешевле по тарифу за токены

Доступные каталоги указывают для Vision Exp цену $0,22 за 1 млн входных токенов и $0,66 за 1 млн выходных токенов. Длина контекста составляет 1 млн токенов. Официальная документация DeepSeek подтверждает расчёт стоимости за миллион токенов и включает deepseek-v4-flash-vision-exp в таблицу моделей.

Изображения при этом преобразуются в токены и учитываются в биллинге. Согласно публикации, ссылающейся на рекомендации DeepSeek, одно изображение может занимать до 384 токенов, а тарифная схема соответствует V4-Flash. Итоговая цена визуального сценария зависит от количества и размера изображений, объёма сопроводительного текста, длины ответа и повторно передаваемого контекста.

Для сравнения, Anthropic указывает для Claude Opus 4.8 стандартные тарифы $5 за 1 млн входных токенов и $25 за 1 млн выходных токенов. Для кэширования и быстрого режима действуют отдельные ставки.

На уровне базовой цены токенов DeepSeek выглядит существенно выгоднее. Но низкая ставка не равна низкой совокупной стоимости: если модель чаще ошибается при вызове инструментов, требует повторных запросов или нуждается в дополнительной обработке изображений, экономия может оказаться меньше ожидаемой.

DeepSeek Vision Exp против Claude Opus 4.8

У моделей пересекаются сценарии применения, но их позиции на рынке различаются:

• DeepSeek V4 Flash Vision Exp — экспериментальная API-модель, расширяющая более экономичную Flash-линейку поддержкой изображений и агентских мультимодальных рабочих процессов. Она доступна через документированные API-форматы DeepSeek и имеет значительно более низкий заявленный тариф за токены.
• Claude Opus 4.8 — флагманская модель Anthropic с наработанной платформенной и продуктовой экосистемой, настраиваемым уровнем усилий и быстрым режимом. Стандартная цена составляет $5 за 1 млн входных и $25 за 1 млн выходных токенов.

Стратегический расчёт DeepSeek очевиден: добавить зрение в доступную Flash-категорию и заявить о результатах, близких к премиальной модели, в мультимодальных агентских задачах. Преимущество Claude в этом сравнении — не доказанное превосходство по каждому тесту, а более зрелая продуктовая оболочка, инструменты и подтверждённая эксплуатация.

Сравнивать модели стоит на конкретных задачах. Для чтения скриншотов или извлечения данных из графиков Vision Exp может оказаться достаточно качественной и гораздо более дешёвой. В автономных процессах с высокими требованиями важнее будут стабильность, точность выбора инструментов, поведение при отказах, наблюдаемость, поддержка и способность восстанавливаться после ошибок.

Почему этот релиз важен для рынка

Зрение постепенно становится не отдельной функцией для вопросов по картинкам, а частью работы AI-агентов. Агент для программирования может анализировать скриншот ошибки, браузерный агент — понимать содержимое страницы, а корпоративная система — одновременно обрабатывать документы, графики и вызовы инструментов.

Семейство DeepSeek V4 изначально ориентировано на длинный контекст и агентские сценарии, а компания позиционирует Flash как более быстрый и экономичный вариант внутри линейки. Vision Exp развивает именно это направление, добавляя мультимодальность к агентским задачам, а не создавая отдельную модель только для анализа изображений.

При этом доступные данные не позволяют объявить DeepSeek лидером по отношению к Anthropic, OpenAI, Google или ведущим китайским лабораториям. Независимого сопоставимого межвендорного тестирования пока нет, а экспериментальная API-модель — не то же самое, что зрелый флагман для критически важных рабочих процессов.

Стоит ли разработчикам её тестировать

Да, но в контролируемом режиме.

Практичная проверка должна сравнить Vision Exp, Claude Opus 4.8 и текущую production-модель на одних и тех же задачах с изображениями и инструментами. Полезно измерять:

1. точность интерпретации изображений, особенно мелкого текста, таблиц и графиков;
2. ошибки выбора инструментов и передачи аргументов;
3. долю завершённых задач без повторов и вмешательства человека;
4. задержку и длину ответов;
5. стоимость входных, выходных и визуальных токенов;
6. поведение на неоднозначных, повреждённых или вводящих в заблуждение изображениях;
7. стабильность при повторных запусках и изменении формулировок запроса.

Итог на сегодня осторожно-положительный: DeepSeek V4 Flash Vision Exp — реальный мультимодальный API-эксперимент с привлекательной заявленной ценой и полезными интерфейсами для разработчиков. Заявление о результатах, близких к Claude Opus 4.8, заслуживает проверки на собственных задачах, но пока не является независимо установленным фактом.