Am 21. August hat DeepSeek deepseek-v4-flash-vision-exp auf der API-Plattform veröffentlicht. Entwickler müssen nur den model-Parameter auf diesen Namen ändern, um es aufzurufen. Es ist das erste Modell der V4-Reihe mit Bildverständnis. Offiziell trägt es das Exp-Label, ausdrücklich als experimentelle Vorschau gekennzeichnet – von einem direkten Produktiveinsatz wird abgeraten.
Die Textfähigkeiten liegen auf dem Niveau der Standardversion V4-Flash. Laut offizieller Update-Seite erreicht das Modell 83,9 im Terminal Bench 2.1, 57,7 im NL2Repo, 59,3 im DeepSWE und 64,3 im Chartography. Bei visionbezogenen Agent-Benchmarks meldet DeepSeek deutliche Verbesserungen bei ApexBench, Agents' Last Exam und Chartography, die Leistung multimodaler Agenten liege nahe an Opus-4.8. Der Vergleichsmaßstab ist unmissverständlich gewählt – Anthropics Flaggschiff gilt bei Bildschirmbedienungs-Aufgaben seit Langem als Referenzpunkt.
Ein Bild für 0,000384 CNY
Die Preisgestaltung ist der interessantere Teil dieser Veröffentlichung. Die Vision-Version übernimmt die Preisliste von V4-Flash: Eingabe 1 CNY pro Million Token, Cache-Treffer ab 0,02 CNY, Ausgabe 2 CNY pro Million Token. Bilder werden nicht separat berechnet, sondern in Token umgerechnet und der Eingabe zugeschlagen – maximal 384 Token pro Bild.
Grob gerechnet kostet der visuelle Input eines Bildes 0,000384 CNY, für 2.600 Bilder wird also gerade mal 1 CNY fällig. Ein GUI-Agent, der eine etwas komplexere Aufgabe erledigt, macht üblicherweise mehrere Dutzend bis über hundert Screenshots hintereinander; bei geschätzten 100 Screenshots liegen die reinen Bildkosten bei rund 0,038 CNY. In der Gesamtrechnung fällt das praktisch nicht mehr ins Gewicht, der Kostenschwerpunkt verschiebt sich zurück auf Textinferenz und Ausgabelänge.
Vision-Schnittstellen mit Abrechnung pro Bild gehen einen anderen Weg. Die Abrechnung pro Bild ist gut kalkulierbar, hat aber den Nachteil, dass die Rechnung bei Agent-Anwendungen, die Screenshots wie einen hochfrequenten Sensor abfragen, linear mit der Aufrufzahl wächst. Die Umrechnung in Token mit fester Obergrenze zementiert die Kosten pro Bild dagegen auf einen sehr kleinen Wert.
Die Kehrseite der Obergrenze
384 Token sind keine hohe Zahl. Bevor ein Bild ins Modell gelangt, wird es in Patches zerlegt und kodiert – das Token-Budget bestimmt direkt, wie fein das Modell hinsehen kann. Innerhalb von 384 Token wird ein großes Bild ziemlich grob dargestellt: Für das grobe Layout eines Webseiten-Screenshots reicht das meist aus, bei kleiner Schrift in dichten Tabellen oder Details in der Statusleiste eines Smartphone-Screenshots ist die Zuverlässigkeit dagegen fraglich.
DeepSeek selbst hält sich bewusst zurück und erwähnt nur, dass Stabilität und Ausgabequalität je nach Feedback weiter angepasst werden. Entwicklern wird empfohlen, zunächst die unordentlichsten Bilder aus dem eigenen Anwendungsfall zu testen: Admin-Oberflächen mit winziger Schrift, gescannte Dokumente, Diagramme mit Wasserzeichen – das sagt mehr über die Praxistauglichkeit dieser Version aus als reine Benchmark-Werte. Das Kontextfenster bleibt bei 1 Million Token, die Denkintensität weiterhin in den zwei Stufen high und max.
Das letzte Puzzleteil nach vier Monaten
Zieht man die Zeitachse gerade, wird das Tempo von DeepSeek in diesem Jahr deutlicher. Am 24. April ging V4 live, gleichzeitig starteten die beiden alten Namen deepseek-chat und deepseek-reasoner den Countdown zur Abschaltung; am 31. Juli erschien V4-Flash separat; am 13. August ergänzte V4-Pro native Unterstützung für die Responses API sowie Codex-Kompatibilität, die Denkintensität wurde in die drei Stufen low/high/max aufgeteilt, und seit dem 17. August gilt eine Spitzen-/Schwachlast-Preisstruktur; am 21. August kam nun das Puzzleteil Vision hinzu.
Vier Monate, vier Iterationen – ein dichter Takt. Der Schwerpunkt liegt dabei nie auf Parameterzahl oder Bestwerten in Benchmarks, sondern konzentriert sich auf Aufrufweise und Abrechnungsstruktur: Responses API, gestufte Denkintensität, Spitzen-/Schwachlastpreise, Token-Obergrenze pro Bild – alles Stellschrauben, mit denen Entwickler ihre Kosten kalkulieren können. Dass die Vision-Version zunächst mit dem Zusatz Exp veröffentlicht wird, folgt demselben Muster: erst Feedback aus der Praxis sammeln, dann über eine stabile Version reden.
Quellen: offizielle Update-Seite der DeepSeek API, CocoLoop, Kuaikeji; Benchmark-Werte und Abrechnungslogik gemäß offizieller DeepSeek-Dokumentation, die Token-Obergrenze pro Bild sowie die Preise für Eingabe, Ausgabe und Cache-Treffer wurden anhand beider Quellen abgeglichen.