DeepSeek V4-Flash-Vision-Exp เปิดให้ AI มองเห็นภาพในราคาแบบ Flash

DeepSeek เปิดตัวโมเดลทดลอง deepseek-v4-flash-vision-exp บนแพลตฟอร์ม DeepSeek API เมื่อวันที่ 21 สิงหาคม 2026 โดยเพิ่มความสามารถเข้าใจภาพให้กับ V4-Flash นักพัฒนาจึงสามารถส่งคำสั่งที่มีทั้งข้อความและรูปภาพ เพื่อสร้างแอปที่วิเคราะห์ภาพหน้าจอ อินเทอร์เฟซ กราฟ หรือสถานะต่าง ๆ บนหน้าจอได้ในต้นทุนที่ต่ำลง 114

จุดขายสำคัญไม่ได้มีแค่การทำให้ AI “มองเห็น” แต่คือการคิดค่าประมวลผลภาพในอัตราเดียวกับ V4-Flash โดยภาพหนึ่งภาพถูกแปลงเป็นอินพุตไม่เกิน 384 โทเคน แทนที่จะมีค่าบริการด้านวิชันเพิ่มแยกต่างหาก 319

เพิ่มวิชันให้เอเจนต์ ไม่ใช่แค่ระบบบรรยายภาพ

DeepSeek-V4-Flash-Vision-Exp รองรับอินพุตแบบผสมระหว่างภาพกับข้อความ และเรียกใช้งานผ่านอินเทอร์เฟซ Chat Completions, Messages และ Responses ได้ 412

รูปแบบนี้ทำให้โมเดลนำไปต่อยอดเป็นเอเจนต์ที่ทำงานเป็นลูปได้ เช่น ตรวจภาพหน้าจอในปัจจุบัน ตัดสินใจเลือกการทำงาน เรียกใช้เครื่องมือ แล้วตรวจหน้าจออีกครั้งเพื่อดูผลลัพธ์ การสาธิตที่มีการรายงานไว้ยังรวมถึงการสร้างโค้ดที่นำไปใช้งานได้จากภาพหน้าจอ และการใช้ข้อมูลภาพในเวิร์กโฟลว์สร้างเกม 510

3 วิธีส่งภาพเข้า API

นักพัฒนาสามารถส่งภาพให้โมเดลได้ 3 รูปแบบ

• Base64 แบบฝังในคำขอ: แปลงไฟล์ภาพในเครื่องเป็น Data URL แล้วแนบไปกับคำขอ
• URL ภายนอก: ระบุ URL แบบ HTTP(S) ที่เปิดให้ API เข้าถึงภาพได้
• Files API: อัปโหลดภาพก่อน จากนั้นนำ file_id ที่ได้รับไปอ้างอิงในคำขอครั้งต่อ ๆ ไป 6714

Files API เปิดให้ใช้งานฟรี และเหมาะกับแอปที่ต้องอ้างอิงภาพเดิมซ้ำ ๆ เช่น เอเจนต์ที่ตรวจภาพหน้าจอชุดเดิมหลายรอบ การอัปโหลดครั้งเดียวแล้วเรียกผ่าน file_id ช่วยลดการส่งข้อมูลภาพซ้ำในทุกคำขอ และลดแบนด์วิดท์ของเวิร์กโฟลว์ได้ 112

ภาพละไม่เกิน 384 โทเคน คิดราคาเท่า V4-Flash

DeepSeek ระบุว่า ภาพแต่ละภาพจะถูกแปลงเป็นโทเคนเพื่อใช้คำนวณค่าบริการ โดยมีเพดานสูงสุด 384 โทเคน และคิดตามอัตราอินพุตปกติของ V4-Flash ไม่มีค่าบริการวิชันแบบพรีเมียมแยกต่างหาก 3614

ตารางราคาที่เผยแพร่ไว้ระบุว่า ในช่วงราคาสูงสุด โมเดลวิชันคิดค่าบริการ 0.44 ดอลลาร์ต่อ 1 ล้านโทเคนอินพุตที่ไม่ถูกแคช และ 1.32 ดอลลาร์ต่อ 1 ล้านโทเคนเอาต์พุต นอกจากนี้ยังระบุหน้าต่างบริบท 1 ล้านโทเคน และเอาต์พุตสูงสุด 384,000 โทเคน 1

มีรายงานเปรียบเทียบว่าเพดาน 384 โทเคนนี้ต่ำกว่าการใช้โทเคนภาพของโมเดล GPT และ Claude บางรุ่นมากกว่าครึ่งหนึ่ง อย่างไรก็ตาม ตัวเลขดังกล่าวยังเป็นการเปรียบเทียบเชิงทิศทาง ไม่ใช่ผลทดสอบที่ปรับเงื่อนไขให้เท่ากันทั้งหมด เพราะข้อมูลที่มีไม่ได้ยืนยันรุ่นโมเดล ความละเอียดภาพ หรือสมมติฐานด้านราคาแบบเดียวกัน 327

ประโยชน์ที่เห็นได้ชัดกว่าการเทียบข้ามค่ายคือ เอเจนต์ที่ต้องตรวจภาพหน้าจอจำนวนมากสามารถควบคุมต้นทุนอินพุตภาพได้ง่ายขึ้น โดยไม่จำเป็นต้องใช้โมเดลมัลติโมดัลระดับพรีเมียมในทุกขั้นตอนของการทำงาน

ประสิทธิภาพใกล้ Opus 4.8? ตอนนี้ยังเป็นคำกล่าวอ้างจากบริษัท

DeepSeek ระบุว่าโมเดลใหม่ยังคงความสามารถด้านข้อความของ V4-Flash ทั้งการให้เหตุผล ความรู้ทั่วไป และการทำงานแบบเอเจนต์ พร้อมเพิ่มอินพุตภาพเข้ามา 626

บริษัทอ้างว่าโมเดลมีพัฒนาการอย่างมากในเกณฑ์ทดสอบเอเจนต์แบบมัลติโมดัล และทำผลงานเข้าใกล้ Claude Opus 4.8 โดยผลเปรียบเทียบบางชุดวางโมเดลไว้ใกล้กับ Opus 4.8 ในงานที่เลือกทดสอบ แต่ผลลัพธ์ยังแตกต่างกันไปตามเกณฑ์วัด 4192123

ดังนั้นคำว่า “ใกล้เคียง Opus 4.8” ควรอ่านว่าเป็นผลประเมินที่ DeepSeek รายงานเอง ไม่ใช่หลักฐานว่าโมเดลทั้งสองเทียบเท่ากันในงานเอเจนต์ด้านภาพทุกประเภท การทดสอบจากบุคคลที่สามยังจำเป็นเพื่อวัดความแม่นยำในการมองภาพ ความเสถียร และประสิทธิภาพการใช้เครื่องมือในสภาพแวดล้อมจริง

ข้อควรระวังในการเชื่อมต่อ: อย่าลืมเผื่อโควตาคำตอบ

นักพัฒนาควรทดสอบการตั้งค่า reasoning ก่อนนำโมเดลไปใช้ในลูปที่ต้องตรวจภาพอย่างต่อเนื่อง มีรายงานการทดสอบภาคปฏิบัติว่า โทเคนสำหรับการคิดอาจใช้โควตา completion จนหมด ทำให้ไม่มีคำตอบที่มองเห็นได้ถูกส่งกลับ ผู้ทดสอบจึงแนะนำให้ปิด thinking ในงานด้านภาพที่เหมาะสม หรือเพิ่มค่า max_tokens เพื่อเหลือพื้นที่สำหรับคำตอบ 27

นี่เป็นข้อควรระวังด้านการติดตั้งใช้งาน ไม่ใช่ข้อสรุปว่าโมเดลไม่มีความสามารถ หากเปิดใช้การให้เหตุผล แอปควรเผื่อเอาต์พุตให้เพียงพอสำหรับทั้งกระบวนการภายในและคำตอบที่ผู้ใช้จะได้รับ พร้อมตรวจสอบพฤติกรรมและชื่อพารามิเตอร์ล่าสุดจากเอกสาร DeepSeek API ก่อนใช้งานจริง

ทำไมการนำวิชันมาอยู่บนรุ่น Flash จึงสำคัญ

จากหลักฐานที่มี DeepSeek ยังไม่ได้อธิบายเหตุผลเชิงกลยุทธ์อย่างเป็นทางการ แต่การออกแบบผลิตภัณฑ์ชี้ไปยังการใช้งานที่ชัดเจน นั่นคือการทำให้การรับรู้ภาพมีราคาถูกพอสำหรับการทำงานซ้ำ ๆ ของเอเจนต์ ไม่ว่าจะเป็นการตรวจภาพหน้าจอ เฟรมเกม แดชบอร์ด หรือสถานะของแอปพลิเคชันเป็นระยะ

การเปิดตัวเป็นรุ่นทดลองบน Flash ยังช่วยให้นักพัฒนานำความสามารถด้านภาพไปเติมในเวิร์กโฟลว์เอเจนต์และการเรียกใช้เครื่องมือที่มีอยู่เดิมได้ โดยไม่ต้องย้ายทั้งระบบไปยังบริการมัลติโมดัลระดับพรีเมียม จึงเหมาะกับผู้ที่กำลังพัฒนาเอเจนต์ควบคุมหน้าจอ เครื่องมือแปลงภาพหน้าจอเป็นโค้ด และแอปที่ต้องรับฟีดแบ็กจากภาพบ่อยครั้ง

สรุปแล้ว DeepSeek V4-Flash-Vision-Exp มีจุดเด่นที่เพดานการคิดโทเคนภาพ 384 โทเคนต่อภาพ วิธีรับภาพที่ยืดหยุ่น และราคาแบบ Flash ขณะที่คำกล่าวอ้างด้านประสิทธิภาพใกล้ Claude Opus 4.8 รวมถึงพฤติกรรมเมื่อใช้งานจริง ยังต้องผ่านการตรวจสอบเพิ่มเติม แนวทางเริ่มต้นที่เหมาะสมคือทดสอบด้วยภาพหน้าจอจริง กำหนดงบเอาต์พุตอย่างชัดเจน และมีการตรวจคุณภาพจากแหล่งอิสระ