DeepSeek V4-Flash-Vision-Exp: bildförståelse för högst 384 token per bild

DeepSeeks lansering den 21 augusti 2026 ger V4-Flash förmågan att förstå bilder. Den experimentella modellen deepseek-v4-flash-vision-exp tar emot blandade text- och bildprompter via API:et och är tänkt att ge utvecklare ett billigare sätt att bygga agenter som kan tolka skärmbilder, användargränssnitt, diagram och annan visuell information. 114

Den stora nyheten är prismodellen: varje bild omvandlas till högst 384 inmatningstoken och debiteras enligt V4-Flash-priset. Det innebär att DeepSeek inte lägger på någon separat avgift för bildförståelse. Företaget säger samtidigt att modellens prestanda för visuella agenter närmar sig Claude Opus 4.8 – ett påstående som bygger på DeepSeeks egna resultat och ännu inte har verifierats oberoende. 319

Vad tillför den nya modellen?

Modellen anropas med API-identifieraren deepseek-v4-flash-vision-exp. Den kombinerar text- och bildinmatning med V4-Flash-familjens grund för textgenerering, verktygsanrop och AI-agenter. Blandade visuella prompter stöds via Chat Completions, Messages och Responses. 412

Det här är därför mer än ett verktyg för att beskriva en enstaka bild. En agent kan exempelvis arbeta i en återkommande loop: läsa av en skärmbild, avgöra nästa steg, anropa ett verktyg och sedan granska det uppdaterade gränssnittet. I rapporterade demonstrationer har modellen bland annat genererat körbar kod från skärmbilder och använt visuella indata i spelutvecklingsflöden. 510

Tre sätt att skicka bilder

Utvecklare kan välja mellan tre metoder:

• Base64 direkt i anropet: En lokal bild bäddas in som en data-URL.
• Extern URL: API:et hämtar en bild från en offentligt åtkomlig HTTP(S)-adress.
• Files API: Bilden laddas upp en gång och återanvänds senare genom det returnerade file_id. 6714

Files API är kostnadsfritt och passar särskilt bra när samma bild eller skärmbild används i flera anrop. Genom att återanvända filreferensen slipper applikationen skicka samma bilddata om och om igen, vilket minskar bandbredden i återkommande agentflöden. 112

Högst 384 token per bild

DeepSeek uppger att varje bild räknas som högst 384 inmatningstoken vid faktureringen. Tokenen debiteras enligt den normala inmatningstaxan för V4-Flash, inte enligt en dyrare multimodal nivå. 3614

En publicerad pristabell anger ett högsta pris på 0,44 dollar per en miljon uncachade inmatningstoken och 1,32 dollar per en miljon utmatningstoken för synmodellen. Tabellen anger också ett kontextfönster på en miljon token och en maximal utmatning på 384 000 token. 1

Flera rapporter har beskrivit 384-tokenstaket som mindre än hälften av bildkostnaden i vissa jämförelser med GPT- och Claude-modeller. Det är dock en riktning snarare än ett helt jämförbart benchmark: underlaget fastställer inte att modellerna har testats med samma versioner, bildupplösningar eller antaganden om fakturering. 327

Den praktiska poängen är tydligare än jämförelsen mellan leverantörer. En visuell agent som behöver kontrollera många skärmbilder kan få en förutsägbar och relativt låg kostnad för bildinmatning – utan att varje observation måste gå via en särskild premiummodell.

Prestandan ser lovande ut – men siffrorna kommer från DeepSeek

DeepSeek säger att modellen behåller V4-Flashs textförmågor, däribland resonemang, omvärldskunskap och agentfunktioner, samtidigt som den får stöd för visuella indata. 626

Företaget rapporterar också ett tydligt lyft i benchmarktester av multimodala agenter, med resultat nära Claude Opus 4.8. Vissa publicerade jämförelser placerar modellen nära Opus 4.8 i utvalda uppgifter, medan andra visar variation mellan olika testsviter. 4192123

Det är en viktig skillnad. Formuleringen ”nära Opus 4.8” bör i nuläget läsas som ett påstående om DeepSeeks egna utvärderingar – inte som ett bevis på att modellerna är likvärdiga i alla verkliga arbetsflöden med visuella agenter. Oberoende tester behövs för att bedöma tillförlitlighet, visuell precision och verktygsanvändning utanför företagets testmiljö.

Viktig integrationsvarning: lämna utrymme för svaret

Utvecklare bör testa modellens inställningar för resonemang innan den placeras i ett produktionsflöde med återkommande bildanalys. I ett rapporterat praktiskt test kunde tänkandet förbruka hela svarbudgeten, så att inget synligt svar återstod. Samma rapport rekommenderar att tänkandet stängs av för relevanta visuella uppgifter eller att max_tokens höjs så att modellen får plats att faktiskt svara. 27

Detta är en integrationsdetalj, inte ett generellt omdöme om modellens kapacitet. Om resonemang är aktiverat behöver applikationen reservera tillräckligt många utmatningstoken för både modellens interna resonemang och svaret till användaren. Kontrollera också aktuella parameterinställningar i DeepSeeks API-dokumentation innan ett visst beteende byggs in i produktionen.

Varför lägga synförmågan i Flash-modellen?

DeepSeek har inte gett någon formell strategisk förklaring i det tillgängliga underlaget. Produktens utformning pekar ändå mot ett tydligt användningsområde: att göra visuell perception tillräckligt billig för att kunna användas ofta. Skärmbilder, spelfönster, instrumentpaneler och applikationstillstånd blir bara användbara för en agent om den kan inspektera dem regelbundet utan att varje steg blir orimligt dyrt.

Genom att lansera bildförståelsen som en experimentell Flash-variant kan utvecklare dessutom lägga till visuella indata i befintliga lågkostnadsflöden för agenter och verktygsanrop. De behöver inte nödvändigtvis flytta hela applikationen till en separat, dyrare multimodal modell. Det gör lanseringen särskilt relevant för skärmbaserade agenter, verktyg som omvandlar skärmbilder till kod och system som behöver återkoppling från ett visuellt gränssnitt.

Balansen är därmed tydlig: DeepSeek V4-Flash-Vision-Exp erbjuder ett ovanligt lågt angivet tokenstak för bilder och flexibla sätt att skicka in dem. Däremot återstår det att pröva företagets benchmarkförsprång och hur modellen beter sig i produktion. För utvecklare är en kontrollerad start klokast – med realistiska skärmbilder, en uttrycklig svarbudget och oberoende kvalitetskontroller.