Pada 21 Agustus, DeepSeek merilis deepseek-v4-flash-vision-exp di platform API-nya. Pengembang cukup mengganti parameter model ke nama ini untuk memanggilnya. Ini model pertama di jajaran V4 yang dibekali kemampuan vision, dan pihak DeepSeek secara resmi menandainya dengan label Exp, menegaskan bahwa ini versi pratinjau eksperimental yang belum disarankan untuk langsung dipasang di lingkungan produksi.
Dari sisi teks, kemampuannya sejajar dengan versi standar V4-Flash. Menurut halaman pembaruan resmi DeepSeek, model ini mencetak skor 83,9 di Terminal Bench 2.1, 57,7 di NL2Repo, 59,3 di DeepSWE, dan 64,3 di Chartography. Pada benchmark agen terkait vision, DeepSeek menyebut ApexBench, Agents' Last Exam, dan Chartography semuanya menunjukkan peningkatan jelas, dengan performa agen multimodal mendekati Opus-4.8. Pilihan pembanding ini cukup terang-terangan — model andalan Anthropic memang lama menjadi tolok ukur untuk tugas-tugas operasi layar.
Satu gambar, ¥0,000384
Bagian yang lebih menarik dari rilis ini adalah soal harga. Versi vision ini tetap memakai daftar harga V4-Flash yang sudah ada: ¥1 per juta token input, serendah ¥0,02 per juta saat cache hit, dan ¥2 per juta token output. Gambar tidak dihitung terpisah — dikonversi ke token dan dimasukkan sebagai input, dengan tiap gambar dibatasi maksimal 384 token.
Hitung kasar, biaya input vision untuk satu gambar sekitar ¥0,000384, artinya baru sekitar 2.600 gambar yang menghabiskan satu yuan. Agen GUI yang menjalankan tugas yang cukup kompleks lazimnya mengambil puluhan hingga ratusan screenshot berturut-turut; dengan estimasi 100 kali screenshot, biaya terkait gambar hanya sekitar ¥0,038. Dimasukkan ke dalam total tagihan satu tugas, angka ini nyaris bisa diabaikan — pusat biaya kembali bergeser ke penalaran teks dan panjang output.
API vision dengan tarif per gambar menempuh jalan yang berbeda. Tarif per gambar memang mudah diprediksi, tapi begitu aplikasi bergaya agen memanggil screenshot secara intensif layaknya sensor, tagihan akan membengkak linear mengikuti jumlah pemanggilan. Mengonversi ke token lalu memberi batas atas justru mematok biaya per frame pada angka yang sangat kecil dan tetap.
Sisi lain dari batas atas ini
384 token bukan angka yang besar. Sebelum masuk ke model, gambar dipotong jadi patch lalu di-encode — anggaran token inilah yang langsung menentukan seberapa detail model bisa "melihat". Dengan batas 384, gambar berukuran besar akan terkompresi jadi representasi yang cukup kasar. Untuk membaca tata letak umum screenshot halaman web, mungkin masih cukup, tapi untuk membaca huruf kecil di tabel padat atau detail status bar di screenshot ponsel, hasilnya belum tentu stabil.
DeepSeek sendiri juga tidak mengklaim berlebihan, hanya menyebut akan terus menyesuaikan stabilitas dan kualitas output berdasarkan umpan balik nyata. Bagi pengembang, disarankan untuk lebih dulu mencoba gambar paling "kotor" dari kasus penggunaan masing-masing — dasbor admin penuh teks kecil, dokumen hasil scan, atau grafik berwatermark — daripada sekadar melihat skor benchmark. Jendela konteks tetap 1 juta token, dan tingkat penalaran masih dua tingkat, high dan max.
Kepingan terakhir yang dilengkapi dalam empat bulan
Jika ditarik dalam garis waktu, ritme DeepSeek tahun ini jadi lebih jelas. V4 dirilis 24 April, membuat dua nama lama deepseek-chat dan deepseek-reasoner masuk hitungan mundur penghentian; V4-Flash dirilis terpisah pada 31 Juli; V4-Pro pada 13 Agustus menambahkan dukungan native untuk Responses API dan kompatibilitas Codex, memecah tingkat penalaran jadi tiga tingkat — low, high, max — dan menerapkan tarif jam sibuk/nonsibuk mulai 17 Agustus; hingga 21 Agustus, kepingan vision ini pun terisi.
Empat iterasi dalam empat bulan, ritmenya cukup padat. Fokus tiap rilis bukan pada jumlah parameter atau puncak papan skor, melainkan terpusat pada cara pemanggilan dan struktur tagihan — Responses API, tingkatan penalaran, tarif jam sibuk/nonsibuk, hingga batas token per gambar. Semuanya adalah tombol yang disiapkan untuk membantu pengembang menghitung biaya. Versi vision yang dirilis lebih dulu dengan akhiran Exp juga mengikuti pola yang sama: biarkan orang memakainya dulu untuk mengumpulkan umpan balik, baru kemudian bicara soal versi stabil.
Sumber: halaman pembaruan resmi DeepSeek API, CocoLoop, Kuaikeji; skor benchmark model dan skema tarif mengikuti dokumentasi resmi DeepSeek, sementara batas token per gambar serta tarif input/output/cache hit sudah diverifikasi silang dari kedua sumber.