we_are_coded.by CODE · Светът, декодиран
EN

DeepSeek · мултимодални модели

DeepSeek пусна зрение по API и брои изображението като до 384 токена

Експериментален вариант на бързия им модел вече разбира и изображения, а не само текст. Плащаш го по тарифата на текстовия модел. За обещания скок в мултимодалните агентни тестове няма публикувано нито едно число.

Източник
DeepSeek API Docs
Публикувано
Събитието
Проверено на
Отговорен редактор
Цветелин Иванов
Как работим
МетодКорекции

Едно изображение при тях се брои като най-много 384 токена. Толкова тежи един дълъг абзац текст.

Картинки моделите гледат отдавна. Новото е цената.

Досега кадърът беше скъпият вход. Пращаш екранна снимка на агент и гледаш сметката, преди да я пратиш пак.

Факт

Фактите: на 21 август 2026 DeepSeek обявява DeepSeek-V4-Flash-Vision-Exp по своя API. Обръщаш се към него с model='deepseek-v4-flash-vision-exp'. По данни на DeepSeek моделът покрива текстовите способности на V4-Flash, включително агенти, разсъждение и знания за света, и прави голям скок над него на мултимодалните агентни тестове, доближавайки Opus 4.8. Числа в съобщението няма, нито имена на тестове. Изображенията се превръщат в токени за таксуване, до 384 на изображение, по цената на V4-Flash. Приемат се смесен вход от текст и изображения, а самите изображения се подават като base64, външен адрес или през новия Files API, който е безплатен и позволява да качиш веднъж и после да сочиш файла по file_id. Поддържат се Chat Completions, Messages и Responses. Заедно с модела излиза и DeepSeek Harness 0.1.1. Отворени тегла не се обявяват.

Твърдението без числа

„Близо до Opus 4.8" е тяхно изречение, не измерване. Няма таблица, няма име на тест, няма условия. Записвам го както е казано и спирам дотам.

Ще го приема, когато го премери някой, който не продава модела. Дотогава това е обещание с емоджи.

Скъпото при зрението никога не беше зрението. Беше сметката за всеки следващ кадър.

Files API е дребното, което ще усетиш в работа. Качваш екрана веднъж и после го подаваш по идентификатор, вместо да го качваш на всяко обръщане. При агент, който гледа един и същ интерфейс двайсет пъти, това е доста спестена лента.

Има и разлика с миналата седмица. Тогава раздадоха тегла с лиценз, който не пречи на никого. Този модел стои зад тяхната врата, с етикет „експериментален", тоест може и да се смени под теб.

Ако имаш агент, който досега пращаше кадри само когато много се налага, преброй тази сметка наново. Числото се е сменило, ограничението може вече да не стои.

Официални първоизточници

DeepSeek API Docs: DeepSeek-V4-Flash-Vision-Exp Release (21.08.2026)

Визуалът към статията е генериран код-арт, без чужди изображения.