DeepSeek hat DeepSeek-V4-Flash-Vision-Exp veröffentlicht – ein experimentelles Multimodal-Modell, das über seine API verfügbar ist. Es akzeptiert sowohl Text als auch Bilder und bringt Screenshot-Verständnis, Chart-Analyse, OCR-ähnliche Aufgaben und weitere visuelle Workflows in die V4-Flash-Familie.
Die Benchmark-Zahlen bekommen dabei die meiste Aufmerksamkeit. DeepSeek sagt, dass die Performance seines multimodalen Agenten mittlerweile nahe an Claude Opus 4.8 heranreicht.
Aber es gibt noch einen zweiten Teil des Launches, der für Entwickler womöglich wichtiger ist: Ein einzelnes Bild verbraucht höchstens 384 Input-Tokens und wird zum gleichen Token-Preis abgerechnet wie V4 Flash.
Für KI-Agenten, die immer wieder Screenshots, Oberflächen oder Dokumentseiten betrachten müssen, könnte das visuelle Workflows deutlich günstiger machen.
Was ist DeepSeek V4 Flash Vision Exp?
Das neue Modell ist über die API unter:
deepseek-v4-flash-vision-exp
verfügbar.
DeepSeek beschreibt es als ein experimentelles Modell für visuelles Verstehen – und nicht als Ersatz für das Standard-V4-Flash.
Die wichtigste Änderung ist ganz simpel: V4 Flash kann jetzt direkt mit visuellen Informationen arbeiten.
Entwickler können gemischte Text-und-Bild-Inputs über die Chat Completions-, Messages- und Responses-APIs senden. Bilder können über Base64, externe URLs oder über die neue Files API von DeepSeek übergeben werden.
Das eröffnet Workflows wie:
-
Screenshots analysieren
-
Charts und Diagramme verstehen
-
Informationen aus Dokumentbildern extrahieren
-
Benutzeroberflächen prüfen
-
visuelle Inputs mit Agent-Tools kombinieren
-
Coding-Agenten die Interfaces, die sie erzeugen, reviewen lassen
DeepSeek sagt, dass die reinen Text-Fähigkeiten ungefähr auf dem Niveau des regulären V4 Flash bleiben, während die Leistung bei Aufgaben, die visuelles Verständnis erfordern, deutlich besser wird.
DeepSeek sagt, es liegt nahe an Claude Opus 4.8
Eines der größten Claims in der Ankündigung ist der Vergleich mit Anthropics Claude Opus 4.8.
In den veröffentlichten multimodalen Agenten-Evaluationen von DeepSeek tauschen sich die beiden Modelle die Siege quasi ab: statt dass eines durchgehend besser ist als das andere.
| Benchmark | DeepSeek V4 Flash Vision Exp | Claude Opus 4.8 |
|---|---|---|
| Agents' Last Exam | 27.3 | 25.7 |
| ZeroBench | 35.0 | 34.0 |
| ApexBench | 36.5 | 39.4 |
| Chartography | 64.3 | 65.0 |
DeepSeek liegt bei Agents' Last Exam und ZeroBench vorn, während Opus 4.8 bei ApexBench und Chartography vorne bleibt.
Allerdings sollte man das nicht als Beweis dafür lesen, dass DeepSeek Claude über jede einzelne Vision-Aufgabe hinweg gleichgezogen hat. Das sind von Anbietern veröffentlichte Evaluationen – und für Tests in der echten Welt wird weiterhin Bedarf sein, etwa bei echtem OCR, Erkennung von kleinen Texten, visuellen Halluzinationen, UI-Navigation und langlaufenden Agenten-Tasks.
Außerdem gibt es eine wichtige zeitliche Detailfrage: Opus 4.8 ist nicht länger das neueste Opus-Modell von Anthropic. Anthropic hat Claude Opus 5 am 24. Juli 2026 veröffentlicht und positioniert es als Verbesserung gegenüber Opus 4.8 – insbesondere in Coding- und agentischen Workflows.
Das neue DeepSeek-Modell wird also mit einem starken aktuellen Claude-Modell verglichen, aber nicht mit der neuesten Generation von Anthropic.
Das 384-Token-Image-Limit ist der spannendere Teil
Benchmarks machen bessere Headlines. Das Image-Token-Design kann jedoch einen größeren Einfluss auf echte Anwendungen haben.
DeepSeek konvertiert Bilder in Tokens, bevor die Inferenz startet – wobei jedes Bild auf 384 Tokens gedeckelt ist. Große Bilder werden automatisch skaliert, was die Input-Kosten planbar hält.
Das ist relevant, weil visuelle Agenten oft mehr als ein Bild benötigen.
Stellen Sie sich vor, ein Browser-Agent schließt eine Aufgabe über 30 unterschiedliche Screens hinweg ab. Ein Coding-Agent könnte wiederholt Screenshots aufnehmen, während sich die Oberfläche verändert. Ein Dokument-Workflow kann Dutzende gescannter Seiten oder Charts verarbeiten.
In solchen Situationen können die Kosten für die Bildverarbeitung sich schnell summieren.
DeepSeeks Ansatz macht wiederholte visuelle Beobachtungen aus Token-Sicht ungewöhnlich leicht.
Der Trade-off ist die Auflösung. Das Komprimieren eines großen Screenshots in ein begrenztes visuelles Token-Budget bedeutet, dass sehr kleine Texte, dichte Tabellenkalkulationen oder detaillierte Diagramme möglicherweise Informationen verlieren. Günstige Vision bedeutet nicht automatisch perfekte High-Resolution-Vision.
Das ist einer der Bereiche, die Entwickler testen sollten, bevor sie sich im Produktionsbetrieb auf das Modell verlassen.
Wie schneidet es im Vergleich mit Gemini 3.7 Flash ab?
Google ist ein weiterer naheliegender Vergleich.
Gemini 3.7 Flash ist seit dem 13. August allgemein verfügbar und derzeit Googles neuestes Flash-Modell. Es ist nativen Multimodal-Modus und unterstützt Text, Bilder, Video, Audio und PDFs – außerdem mit integrierten Features wie Function Calling, Code-Execution, Search Grounding und Computer-Use.
Damit unterscheiden sich die beiden Flash-Modelle in ihrer Ausrichtung etwas.
Gemini 3.7 Flash bietet ein breiteres Multimodal- und Tool-Ökosystem.
DeepSeek V4 Flash Vision Exp wirkt aktuell stärker auf das Einbringen kostengünstigen Bildverständnisses in Agenten-Workflows zugeschnitten.
Die DeepSeek-Veröffentlichung ist daher nicht zwingend darauf aus, Gemini Feature-für-Feature zu schlagen. Ihr Reiz liegt in der Kombination aus Vision, Agenten-Fähigkeit und aggressiver Effizienz bei Image-Tokens.
Für Entwickler, die große Mengen an Screenshots oder visuellen Beobachtungen verarbeiten, ist das ein interessantes Positionierungssignal.
Auch die neue Files API ist wichtig
DeepSeek hat außerdem zusammen mit dem Vision-Modell eine Files API eingeführt.
Anstatt das gleiche Bild immer wieder zu senden, können Entwickler es einmal hochladen und später referenzieren – mithilfe einer file_id. DeepSeek sagt, dass die Files API selbst kostenlos ist und darauf ausgelegt ist, Bandbreite zu reduzieren, wenn dasselbe Bild über mehrere Requests hinweg wiederverwendet wird.
Das klingt nach einem kleinen Infrastruktur-Feature, ergibt aber für Agenten-Workflows sehr viel Sinn.
Ein Agent muss möglicherweise mehrmals zum gleichen Screenshot, Diagramm oder Quellbild zurückkehren, während er eine längere Aufgabe abschließt. Eine wiederverwendete hochgeladene Datei macht diesen Workflow sauberer und verhindert, dass dieselben Daten ständig erneut übertragen werden.
Wo DeepSeek V4 Flash Vision Exp nützlich sein könnte
Die spannendsten Anwendungen gehen über die Frage hinaus: „Was ist auf diesem Bild zu sehen?“
Ein Coding-Agent könnte eine Webseite generieren, den Screenshot inspizieren und anschließend Layout-Probleme beheben.
Ein Browser-Agent könnte sich eine Oberfläche ansehen, bevor er entscheidet, welche Aktion als Nächstes sinnvoll ist.
Ein Business-Agent könnte ein Dashboard oder ein Chart interpretieren, bevor er einen weiteren Workflow auslöst.
Ein Dokumentensystem könnte Textextraktion mit visuellem Verständnis von Tabellen, Diagrammen und gescannten Seiten kombinieren.
Das ist die größere Veränderung, die sich über KI-Modelle hinweg abzeichnet: von Modellen, die Bilder einfach sehen, hin zu Agenten, die sehen, verstehen und handeln können.
DeepSeek V4 Flash Vision Exp passt direkt in diesen Trend.
Sollten Sie es jetzt nutzen?
Für Experimente: unbedingt.
Für produktive Workloads: Es braucht noch mehr Tests.
Das Modell trägt weiterhin das „Exp“-Label, und DeepSeek selbst beschreibt es als experimentell. Entwickler sollten besonders auf die Erkennung von Kleinsttexten, dichte Interfaces, visuelle Halluzinationen sowie auf die Performance nach automatischer Größenanpassung der Bilder achten.
Die größere Frage lautet nicht, ob DeepSeek das weltweit beste Vision-Modell gebaut hat.
Sondern ob V4 Flash Vision Exp ausreichend gutes visuelles Verständnis zu einem Preis liefern kann, der hochvolumige multimodale Agenten praktisch macht.
Wenn das gelingt, könnte das 384-Token-Image-Limit am Ende wichtiger werden als der Benchmark-Vergleich, der die Schlagzeilen gemacht hat.
FAQ
Was ist DeepSeek V4 Flash Vision Exp?
DeepSeek V4 Flash Vision Exp ist eine experimentelle Multimodal-Variante von V4 Flash, die über die DeepSeek API Text- und Bildeingaben unterstützt.
Unterstützt DeepSeek V4 Flash Bilder?
Das reguläre V4 Flash bleibt ein textfokussiertes Modell. Entwickler können deepseek-v4-flash-vision-exp verwenden, wenn visuelle Eingaben erforderlich sind.
Wie viele Tokens verbraucht ein Bild?
DeepSeek sagt, dass ein Bild bis zu 384 Input-Tokens verbrauchen kann, wobei größere Bilder vor der Verarbeitung automatisch skaliert werden.
Ist DeepSeek V4 Flash Vision Exp besser als Claude Opus 4.8?
Nicht pauschal. In den veröffentlichten multimodalen Agenten-Benchmarks von DeepSeek gewinnt V4 Flash Vision Exp einige Tests, während Opus 4.8 andere gewinnt. Für unabhängige Vergleiche in der Praxis werden weiterhin Tests benötigt.
Ist DeepSeek V4 Flash Vision Exp besser als Gemini 3.7 Flash?
Aktuell zielen sie auf etwas unterschiedliche Stärken. Gemini 3.7 Flash unterstützt eine breitere Palette multimodaler Eingaben und integrierter Tools, während sich das neue Modell von DeepSeek vor allem durch die niedrige Image-Token-Grenze und den Fokus auf multimodale Agenten-Workflows abhebt.