Le 21 août, DeepSeek a publié deepseek-v4-flash-vision-exp sur sa plateforme API ; il suffit aux développeurs de changer le paramètre model pour ce nom afin de l'appeler. C'est le premier modèle de la série V4 doté de vision. L'entreprise lui a accolé l'étiquette Exp, précisant qu'il s'agit d'un aperçu expérimental, déconseillé pour une mise en production directe.
Les capacités textuelles sont alignées sur la version standard V4-Flash. La page officielle des mises à jour indique 83,9 au Terminal Bench 2.1, 57,7 au NL2Repo, 59,3 au DeepSWE et 64,3 au Chartography. Sur les benchmarks d'agents liés à la vision, DeepSeek annonce des progrès nets sur ApexBench, Agents' Last Exam et Chartography, avec des performances d'agents multimodaux proches d'Opus-4.8. Le choix du point de comparaison est direct : le modèle phare d'Anthropic reste la référence pour les tâches de manipulation d'écran.
Une image pour 0,000384 CNY
La tarification est l'élément le plus intéressant de ce lancement. La version vision reprend la grille de V4-Flash : entrée à 1 CNY par million de tokens, cache hit à partir de 0,02 CNY, sortie à 2 CNY par million de tokens. Les images ne sont pas facturées séparément : elles sont converties en tokens et ajoutées à l'entrée, avec un maximum de 384 tokens par image.
En calcul rapide, le coût d'entrée visuelle d'une image est de 0,000384 CNY, il faut donc 2 600 images pour dépenser 1 CNY. Un agent GUI qui exécute une tâche un peu complexe enchaîne souvent des dizaines, voire des centaines de captures d'écran ; en estimant 100 captures, le coût lié aux images tourne autour de 0,038 CNY. Rapporté à la facture globale, c'est presque négligeable, et le poste de coût principal revient à l'inférence textuelle et à la longueur de sortie.
Les interfaces de vision facturées à l'image suivent une autre logique. Facturer à l'image a l'avantage d'être prévisible, mais pour les applications d'agents qui utilisent les captures d'écran comme un capteur sollicité à haute fréquence, la facture croît linéairement avec le nombre d'appels ; convertir en tokens avec un plafond fixe, en revanche, verrouille le coût par image sur un chiffre très bas.
L'envers du plafond
384 tokens, ce n'est pas beaucoup. Avant d'entrer dans le modèle, une image est découpée en patchs puis encodée : le budget de tokens détermine directement la finesse avec laquelle le modèle peut la lire. Plafonnée à 384 tokens, une grande image se retrouve comprimée en une représentation assez grossière : cela suffit généralement pour lire la mise en page globale d'une capture de page web, mais pas forcément pour lire des petits caractères dans un tableau dense ou des détails de barre d'état sur une capture de smartphone.
DeepSeek elle-même reste prudente et indique seulement qu'elle continuera d'ajuster la stabilité et la qualité de sortie selon les retours réels. Pour les développeurs, mieux vaut d'abord tester avec le type d'images le plus « sale » de son propre cas d'usage : interfaces d'administration remplies de petits caractères, documents scannés, graphiques avec filigrane — cela renseigne mieux sur l'utilisabilité de cette version que les scores de benchmark. La fenêtre de contexte reste à 1 million de tokens, et l'intensité de raisonnement conserve ses deux niveaux high et max.
La dernière pièce complétée en quatre mois
En alignant la chronologie, le rythme de DeepSeek cette année devient plus clair. Le 24 avril, V4 est lancé, et les deux anciens noms deepseek-chat et deepseek-reasoner entrent simultanément dans un compte à rebours vers l'obsolescence ; le 31 juillet, V4-Flash est publié séparément ; le 13 août, V4-Pro ajoute un support natif de la Responses API et une compatibilité Codex, l'intensité de raisonnement est répartie en trois niveaux low/high/max, et une tarification heures pleines/heures creuses entre en vigueur à partir du 17 août ; le 21 août, la pièce manquante de la vision est enfin posée.
Quatre mois, quatre itérations : un rythme plutôt soutenu. Aucune de ces mises à jour ne mise sur le nombre de paramètres ou la première place des classements de benchmarks ; elles se concentrent plutôt sur le mode d'appel et la structure de facturation — Responses API, paliers d'intensité de raisonnement, tarifs heures pleines/heures creuses, plafond de tokens par image : autant de leviers pensés pour que les développeurs calculent leurs coûts. La version vision publiée d'abord avec le suffixe Exp suit la même logique : laisser les utilisateurs l'essayer, recueillir des retours réels, puis discuter d'une version stable.
Sources : page officielle des mises à jour de l'API DeepSeek, CocoLoop, Kuaikeji ; les scores de benchmark et la logique de facturation suivent la documentation officielle de DeepSeek, le plafond de tokens par image ainsi que les prix d'entrée, de sortie et de cache hit ont été recoupés entre les deux sources.