Em 21 de agosto, a DeepSeek lançou o deepseek-v4-flash-vision-exp em sua plataforma de API; basta o desenvolvedor trocar o parâmetro model para esse nome para chamá-lo. É o primeiro modelo da série V4 com visão computacional. A empresa colocou o rótulo Exp, deixando claro que se trata de uma prévia experimental, não recomendada para uso direto em produção.
As capacidades de texto ficam alinhadas com a versão padrão V4-Flash. A página oficial de atualizações traz 83,9 no Terminal Bench 2.1, 57,7 no NL2Repo, 59,3 no DeepSWE e 64,3 no Chartography. Nos benchmarks de agentes relacionados a visão, a DeepSeek afirma melhorias claras em ApexBench, Agents' Last Exam e Chartography, com o desempenho de agentes multimodais próximo ao do Opus-4.8. A escolha do comparativo é direta — o modelo de ponta da Anthropic continua sendo a régua de referência para tarefas de operação em tela.
Uma imagem por 0,000384 CNY
O preço é a parte mais interessante deste lançamento. A versão com visão mantém a tabela do V4-Flash: entrada a 1 CNY por milhão de tokens, cache hit a partir de 0,02 CNY, saída a 2 CNY por milhão de tokens. As imagens não têm preço separado — são convertidas em tokens e somadas à entrada, com no máximo 384 tokens por imagem.
Fazendo as contas, o custo de entrada visual de uma imagem é 0,000384 CNY; são necessárias 2.600 imagens para gastar 1 CNY. Um agente GUI executando uma tarefa moderadamente complexa costuma tirar dezenas ou até centenas de screenshots seguidos; estimando 100 capturas, o custo com imagens fica em torno de 0,038 CNY. Na conta total, isso é praticamente irrelevante, e o centro de custo volta a ser a inferência de texto e o tamanho da saída.
As interfaces de visão cobradas por imagem seguem outro caminho. Cobrar por imagem tem a vantagem de ser previsível, mas, em aplicações de agentes que tratam screenshots como um sensor consultado em alta frequência, a conta cresce linearmente com o número de chamadas; já converter para tokens com um teto fixo trava o custo por quadro em um valor bem pequeno.
O outro lado do teto
384 tokens não é um número alto. Antes de entrar no modelo, a imagem é dividida em patches e codificada — o orçamento de tokens determina diretamente o nível de detalhe que o modelo consegue captar. Limitado a 384 tokens, uma imagem grande acaba comprimida numa representação bem grosseira: para ler o layout geral de um screenshot de página web costuma bastar, mas para ler letras miúdas em tabelas densas ou detalhes da barra de status em capturas de celular, o resultado pode não ser confiável.
A própria DeepSeek não garante nada em definitivo, apenas menciona que continuará ajustando estabilidade e qualidade de saída conforme o retorno dos usuários. Para desenvolvedores, a recomendação é testar primeiro com o tipo de imagem mais 'suja' do próprio caso de uso: interfaces administrativas cheias de texto miúdo, documentos escaneados, gráficos com marca d'água — isso diz mais sobre a viabilidade dessa versão do que os números de benchmark. A janela de contexto continua em 1 milhão de tokens, e a intensidade de raciocínio segue nos dois níveis high e max.
A última peça completada em quatro meses
Alinhando a linha do tempo, o ritmo da DeepSeek neste ano fica mais claro. Em 24 de abril, o V4 foi lançado, e os dois nomes antigos, deepseek-chat e deepseek-reasoner, entraram simultaneamente em contagem regressiva para descontinuação; em 31 de julho, o V4-Flash foi lançado separadamente; em 13 de agosto, o V4-Pro ganhou suporte nativo à Responses API e compatibilidade com o Codex, com a intensidade de raciocínio dividida em três níveis — low/high/max —, e a precificação por horário de pico/fora de pico entrou em vigor a partir de 17 de agosto; em 21 de agosto, a peça da visão computacional foi encaixada.
Quatro meses, quatro atualizações — um ritmo bastante intenso. Nenhuma delas se concentra em número de parâmetros ou topo de ranking de benchmarks; o foco está na forma de chamada e na estrutura de cobrança: Responses API, níveis de intensidade de raciocínio, preços de pico/fora de pico, teto de tokens por imagem — tudo são ajustes pensados para os desenvolvedores calcularem custos. O lançamento da versão de visão com o sufixo Exp segue o mesmo caminho: deixar as pessoas usarem primeiro, colher feedback real e só depois discutir uma versão estável.
Fontes: página oficial de atualizações da API da DeepSeek, CocoLoop, Kuaikeji; os resultados de benchmark e a lógica de cobrança seguem a documentação oficial da DeepSeek, e o teto de tokens por imagem, os preços de entrada/saída e o cache hit foram conferidos nas duas fontes.