DeepSeek добавила зрение в V4-Flash — но заявление об уровне Opus 4.8 ещё предстоит проверить

DeepSeek-V4-Flash-Vision-Exp — экспериментальное мультимодальное расширение модели DeepSeek V4-Flash. Релиз от 21 августа 2026 года добавил к тексту, рассуждениям и агентским сценариям понимание изображений, а доступ к модели открыт через API DeepSeek.

Главная интрига запуска — заявление компании о результатах, близких к Anthropic Claude Opus 4.8 в тестах мультимодальных агентов. Но это сравнение пока следует воспринимать осторожно: основная часть доступных данных опубликована самой DeepSeek. Поэтому релиз важен для разработчиков и конкуренции между моделями, однако ещё не доказывает равенство с флагманом Anthropic во всех задачах.

Что нового в DeepSeek V4-Flash-Vision-Exp

Ключевое изменение — поддержка визуального ввода. Разработчик может отправить модели текст вместе с изображением, чтобы агент проанализировал фотографию, скриншот, диаграмму, документ или другой поддерживаемый визуальный материал, а затем дал ответ или вызвал инструмент. В API используется идентификатор:

deepseek-v4-flash-vision-exp

DeepSeek заявляет, что модель сохраняет возможности семейства V4-Flash в работе с текстом, рассуждениях, агентских сценариях и общих знаниях. В официальном журнале изменений приведены, среди прочего, результаты 83,9 в Terminal Bench 2.1, 59,3 в DeepSWE и 63,6 в DSBench-Hard.

Таким образом, Vision-Exp — не просто система для описания картинок. Её позиционируют как расширение текстовой модели для задач, где агенту нужно понимать содержимое экрана или изображения и действовать на его основе.

Сравнение с Claude Opus 4.8

DeepSeek утверждает, что Vision-Exp приблизилась к Claude Opus 4.8 в тестах мультимодальных агентов, сохранив уровень текстовых возможностей V4-Flash. В опубликованной компанией таблице, о которой писал The Next Web, новая модель опередила Opus 4.8 в 3 из 11 сравнений.

Но формулировку «близка к Opus 4.8» важно трактовать узко. Она описывает результаты в выбранном DeepSeek наборе оценок, а не подтверждённое равенство во всех визуальных задачах, сценариях программирования или длительной работе автономного агента.

В журнале DeepSeek указаны следующие результаты Vision-Exp: 36,5 в ApexBench, 27,3 в Agents’ Last Exam, 64,3 в Chartography и 35,0 в ZeroBench Pass@5.

Эти цифры сами по себе не отвечают на ряд практических вопросов: насколько модель надёжна в реальных проектах, какова её задержка, как она восстанавливается после ошибок и насколько результаты зависят от промптов, инструментов и методики оценки. В доступных материалах недостаточно независимых данных, чтобы считать это сравнение окончательным рейтингом моделей.

В текстовых задачах заявление звучит сдержаннее

Самая сильная претензия DeepSeek в текстовых сценариях — не явное превосходство, а преемственность. Компания представляет Vision-Exp как модель, сохраняющую текстовые возможности V4-Flash: разработчикам не обязательно отказываться от привычного поведения в рассуждениях и работе с агентами ради поддержки изображений.

При выборе модели это означает следующее:

• для приложений, работающих только с текстом, Vision-Exp скорее выглядит расширением V4-Flash, чем доказанной заменой более дорогих моделей высокого класса;
• для визуальных агентов главным преимуществом становится понимание изображений;
• перед запуском в продакшене опубликованные баллы стоит дополнить собственными тестами — с теми же промптами, инструментами и целевыми показателями задержки, которые будут использоваться в приложении.

Как получить доступ к API и передать изображение

Vision-Exp доступна на платформе DeepSeek через Chat Completions, Messages и Responses. API поддерживает смешанный ввод текста и изображений.

Изображение можно передать одним из трёх способов:

• как base64 data URL;
• как общедоступную ссылку HTTP(S);
• как file_id файла, предварительно загруженного через Files API.

Поддерживаются форматы JPEG, PNG, GIF и WebP. В Responses API изображение передаётся как часть содержимого input_image — через URL, base64 data URL или ссылку на загруженный файл.

Цена и лимит в 384 токена на изображение

Изображения преобразуются во входные токены и учитываются при оплате. DeepSeek указывает, что на одно изображение приходится не более 384 входных токенов; применяется тарифная схема V4-Flash.

Опубликованные тарифы, связанные с запуском, составляют:

• вход без попадания в кэш: 0,22 доллара за миллион токенов в непиковое время и 0,44 доллара в пиковое;
• вход из кэша: 0,007 доллара за миллион токенов в непиковое время и 0,014 доллара в пиковое;
• выход: 0,66 доллара за миллион токенов в непиковое время и 1,32 доллара в пиковое.

Ограничение в 384 токена делает стоимость самой картинки относительно предсказуемой. Однако оно не распространяется на сопровождающий текст, вызовы инструментов и сгенерированный ответ: полноценная сессия агента может потребить значительно больше токенов, чем изображение.

Harness и Files API

Вместе с моделью DeepSeek выпустила Harness 0.1.1 со встроенной поддержкой Vision-Exp. Это особенно важно для разработчиков агентов, а не только для тех, кто задаёт модели разовые вопросы по изображению: Vision-Exp рассчитана на работу в цепочках с инструментами.

Одновременно появился бесплатный Files API. Разработчик может один раз загрузить изображение, а затем использовать его в следующих запросах, передавая file_id вместо повторной отправки тех же данных. DeepSeek указывает формат ссылок на файлы file-api-....

Такой подход удобен, когда агент несколько раз анализирует один скриншот, страницу документа или другой визуальный объект в рамках разных ходов диалога. Сам Files API бесплатен, но инференс модели и использование токенов по-прежнему оплачиваются.

Что релиз меняет в конкуренции ИИ-моделей

Vision-Exp показывает, что конкуренция всё сильнее выходит за рамки одной таблицы с оценками. Для разработчиков важны сразу несколько факторов: мультимодальность, совместимость API, цена, повторное использование файлов и инструменты для создания агентов.

DeepSeek предлагает визуальное расширение своей линейки Flash по опубликованным тарифам V4-Flash, а Claude Opus 4.8 использует как ориентир верхнего сегмента в собственном сравнении. Это отражает более широкий сдвиг на рынке: визуальное рассуждение постепенно перестаёт быть функцией исключительно дорогих флагманских моделей.

При этом Vision-Exp — именно экспериментальный релиз, а не новая флагманская модель. Его реальное значение определят не отдельные результаты бенчмарков, а надёжность в задачах вроде программирования по скриншоту, анализа документов, управления интерфейсами и визуального использования инструментов.

Итог пока стоит сформулировать сдержанно: DeepSeek упростила доступ к недорогому визуальному рассуждению в рамках существующей API-экосистемы, а её первые тесты указывают на заметный вызов конкурентам в отдельных мультимодальных сценариях. Но независимые проверки, стабильность в реальной работе и интерес разработчиков покажут, станет ли Vision-Exp долговечной альтернативой или останется любопытным экспериментом.