DeepSeek V4-Flash-Vision-Exp: мультимодальне бачення без окремої націнки

21 серпня 2026 року DeepSeek відкрила в API доступ до deepseek-v4-flash-vision-exp — експериментальної версії V4-Flash, яка вміє працювати не лише з текстом, а й із зображеннями. Для розробників це означає можливість будувати агентів, здатних аналізувати скриншоти, вікна програм, графіки, ігрові сцени та інший візуальний стан. 114

Головна особливість релізу — не просто підтримка зображень, а ціна їхнього оброблення. DeepSeek заявляє, що кожне зображення враховується як максимум 384 вхідні токени й оплачується за звичайним тарифом V4-Flash, без окремої націнки за vision-функції. Компанія також стверджує, що за результатами її тестів продуктивність візуальних агентів наближається до Claude Opus 4.8. Водночас це поки що вендорська заява, яку незалежні перевірки не підтвердили. 319

Що саме з’явилося у V4-Flash-Vision-Exp

Модель викликається через API-ідентифікатор deepseek-v4-flash-vision-exp. Вона поєднує текстовий і візуальний вхід, зберігаючи основу V4-Flash для генерації тексту, міркувань, роботи з інструментами та агентських сценаріїв. Змішані запити «текст + зображення» підтримуються в інтерфейсах Chat Completions, Messages і Responses. 412

Тому йдеться не лише про окремий опис картинки. Агент може працювати циклічно: подивитися на скриншот поточного інтерфейсу, вирішити, яку дію виконати, викликати інструмент, а потім проаналізувати оновлений екран. У демонстраціях модель генерувала виконуваний код зі скриншотів і використовувала зображення у сценаріях створення ігор. 510

Три способи передати зображення

Розробники можуть обрати один із трьох варіантів:

• Вбудований Base64. Локальне зображення додається до запиту як data URL.
• Зовнішній URL. API отримує картинку за відкритим HTTP(S)-посиланням.
• Files API. Зображення завантажується один раз, після чого в наступних запитах використовується його file_id. 6714

Files API доступний безкоштовно. Це найзручніший варіант для застосунків, які багато разів звертаються до тієї самої картинки — наприклад, до еталонного скриншота або постійного елемента інтерфейсу. Повторне використання посилання на файл дає змогу не передавати однакові дані щоразу й зменшує навантаження на мережу в агентських циклах. 112

До 384 токенів на зображення: що це означає для ціни

За даними DeepSeek, під час розрахунку вартості одне зображення перетворюється не більш ніж на 384 вхідні токени. Вони оплачуються за стандартною ставкою V4-Flash, тож для візуального входу не створено окремий дорожчий тариф. 3614

В одній із опублікованих таблиць для vision-моделі вказано пікову ціну $0,44 за мільйон некешованих вхідних токенів і $1,32 за мільйон вихідних токенів. Там само зазначено контекстне вікно на 1 мільйон токенів і максимальний обсяг відповіді 384 000 токенів. 1

У деяких матеріалах стверджується, що ліміт у 384 токени — менш як половина витрат на зображення в окремих порівняннях із GPT і Claude. Однак ці дані не дають змоги провести повністю коректне зіставлення: не всюди вказано однакові версії моделей, роздільну здатність зображень і правила тарифікації. Тому це радше орієнтир, а не стандартизований бенчмарк. 327

Практична перевага зрозуміліша за рекламне порівняння. Агент, який регулярно перевіряє скриншоти, панелі моніторингу чи стан програми, може отримувати візуальний контекст із передбачуваними витратами — без необхідності використовувати преміальну мультимодальну модель на кожному кроці.

Результати обнадіюють, але їх ще треба перевірити

DeepSeek заявляє, що V4-Flash-Vision-Exp зберігає текстові можливості V4-Flash, зокрема навички міркування, роботу агентів і знання про світ, водночас додаючи аналіз зображень. 626

Компанія також повідомила про значний прогрес на бенчмарках мультимодальних агентів і заявила, що модель наближається до Claude Opus 4.8. В окремих опублікованих порівняннях результати справді близькі, але різні тести показують неоднакову картину. 4192123

Тут важливо не плутати два твердження. Формулювання «майже на рівні Opus 4.8» наразі описує результати оцінювання DeepSeek, а не доведену рівність моделей у реальних візуально-агентських задачах. Потрібні незалежні тести, щоб оцінити стабільність, точність розуміння зображень і якість використання інструментів поза умовами, обраними виробником.

Важливе застереження: reasoning може залишити відповідь порожньою

Під час інтеграції розробникам варто уважно протестувати налаштування міркувань. В одному з практичних тестів приховані thinking-токени використали весь доступний бюджет завершення, тому модель не залишила місця для видимої відповіді. Автори тесту радять вимкнути thinking для відповідних візуальних завдань або збільшити max_tokens, щоб модель мала достатньо простору для фінального результату. 27

Це не скасовує можливостей моделі, але є важливою технічною деталлю для продакшену. Якщо reasoning увімкнено, застосунок має закласти достатній бюджет і на внутрішні міркування, і на відповідь користувачу. Перед запуском варто також перевірити актуальну документацію DeepSeek: назви параметрів і поведінка експериментальної моделі можуть змінюватися.

Навіщо DeepSeek додав vision саме до Flash

У наданих матеріалах DeepSeek не формулює окремої стратегічної мотивації, однак дизайн продукту підказує очевидний сценарій: зробити візуальне сприйняття достатньо дешевим для регулярних агентських дій. Скриншоти, кадри гри, дашборди та стани застосунків мають практичну цінність лише тоді, коли агент може часто їх перевіряти без надмірного зростання вартості кожного циклу.

Експериментальний запуск у лінійці Flash також дає змогу додати зображення до вже наявних недорогих сценаріїв із викликом інструментів, не переносячи весь продукт на окремий преміальний мультимодальний рівень. Це особливо цікаво для розробників агентів, які керують програмами через екран, інструментів «скриншот → код» і сервісів, яким потрібен постійний візуальний зворотний зв’язок.

Підсумок простий: DeepSeek V4-Flash-Vision-Exp пропонує низький заявлений ліміт image-токенів, три способи передавання зображень і безкоштовний Files API. Водночас заяви про лідерство в бенчмарках та поведінку в продакшені ще потребують перевірки. Найрозумніший старт для розробників — контрольовані тести на реальних скриншотах, чітко визначений бюджет відповіді та незалежна перевірка якості.