DeepSeek a publié DeepSeek-V4-Flash-Vision-Exp, un modèle multimodal expérimental disponible via son API. Il accepte à la fois le texte et les images, apportant la compréhension de captures d’écran, l’analyse de graphiques, des tâches de type OCR et d’autres flux de travail visuels dans la famille V4 Flash.
Les chiffres des benchmarks attirent particulièrement l’attention. DeepSeek affirme que les performances de son agent multimodal sont désormais proches de celles de Claude Opus 4.8.
Mais il existe une autre partie du lancement qui pourrait compter davantage pour les développeurs : une image unique n’utilise pas plus de 384 tokens d’entrée et est facturée au même tarif par token que V4 Flash.
Pour les agents IA qui doivent consulter à répétition des captures d’écran, des interfaces ou des pages de documents, cela pourrait rendre les flux de travail visuels nettement moins coûteux.
Qu’est-ce que DeepSeek V4 Flash Vision Exp ?
Le nouveau modèle est disponible via l’API sous :
deepseek-v4-flash-vision-exp
DeepSeek le décrit comme un modèle expérimental de compréhension visuelle, plutôt que comme un remplacement du V4 Flash standard.
Son changement principal est simple : V4 Flash peut désormais traiter l’information visuelle directement.
Les développeurs peuvent envoyer des entrées mixtes texte-et-image via les API Chat Completions, Messages et Responses. Les images peuvent être transmises en Base64, via des URL externes ou via la nouvelle API Files de DeepSeek.
Cela ouvre des flux de travail tels que :
-
analyser des captures d’écran
-
comprendre des graphiques et des diagrammes
-
extraire des informations à partir d’images de documents
-
examiner des interfaces utilisateur
-
combiner des entrées visuelles avec des outils d’agent
-
permettre à des agents de développement de passer en revue les interfaces qu’ils génèrent
DeepSeek indique que ses capacités en texte pur restent à peu près alignées sur le V4 Flash classique, tandis que les performances progressent nettement sur les tâches nécessitant une compréhension visuelle.
DeepSeek dit qu’il est proche de Claude Opus 4.8
L’une des plus grandes affirmations de l’annonce concerne la comparaison avec Claude Opus 4.8, d’Anthropic.
Dans les évaluations publiées par DeepSeek pour les agents multimodaux, les deux modèles se partagent les victoires : aucun ne bat systématiquement l’autre.
| 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 mène sur Agents' Last Exam et ZeroBench, tandis qu’Opus 4.8 reste devant sur ApexBench et Chartography.
Cependant, il ne faut pas y voir une preuve que DeepSeek a égalé Claude sur l’ensemble des tâches de vision. Ce sont des évaluations publiées par le fournisseur, et des tests indépendants seront encore nécessaires pour des scénarios réels : OCR, reconnaissance de petits textes, hallucinations visuelles, navigation dans les interfaces et tâches d’agents longues.
Il y a aussi un détail important sur le timing : Opus 4.8 n’est plus le modèle Opus le plus récent d’Anthropic. Anthropic a lancé Claude Opus 5 le 24 juillet 2026, le positionnant comme une amélioration par rapport à Opus 4.8 en matière de codage et de travail agentique.
Ainsi, le nouveau modèle DeepSeek est comparé à un modèle Claude récent et solide, mais pas à la génération la plus récente d’Anthropic.
La limite d’image à 384 tokens est la partie la plus intéressante
Les benchmarks font de meilleurs titres. La conception des tokens d’image pourrait avoir un impact plus important sur les applications concrètes.
DeepSeek convertit les images en tokens avant l’inférence, avec chaque image plafonnée à 384 tokens. Les grandes images sont automatiquement redimensionnées, ce qui maintient un coût d’entrée prévisible.
C’est important, car les agents visuels ont souvent besoin de plus d’une image.
Imaginez un agent navigateur qui réalise une tâche sur 30 écrans différents. Un agent de développement peut capturer à répétition des captures d’écran au fur et à mesure que l’interface change. Un flux de travail documentaire peut traiter des dizaines de pages scannées ou de graphiques.
Dans ces situations, le coût du traitement d’images peut s’accumuler rapidement.
L’approche de DeepSeek rend des observations visuelles répétées particulièrement légères du point de vue des tokens.
Le compromis concerne la résolution. Compresser une grande capture d’écran dans un budget de tokens visuels limité signifie que de tout petits textes, des tableurs denses ou des diagrammes détaillés peuvent perdre des informations. Une vision « bon marché » ne veut pas automatiquement dire une vision haute résolution parfaite.
C’est l’une des zones que les développeurs devraient tester avant de s’appuyer sur le modèle en production.
En quoi se compare-t-il à Gemini 3.7 Flash ?
Google est une autre comparaison évidente.
Gemini 3.7 Flash est devenu généralement disponible le 13 août et il s’agit actuellement du dernier modèle Flash de Google. Il est nativement multimodal et prend en charge le texte, les images, la vidéo, l’audio et les PDFs, ainsi que des fonctionnalités intégrées comme l’appel de fonctions, l’exécution de code, l’ancrage Search et l’usage de l’ordinateur.
Cela signifie que les deux modèles Flash proposent quelque chose de légèrement différent.
Gemini 3.7 Flash offre un écosystème multimodal et d’outils plus large.
DeepSeek V4 Flash Vision Exp semble actuellement plus ciblé, avec l’objectif d’apporter une compréhension d’image peu coûteuse aux flux de travail des agents.
Le lancement de DeepSeek n’est donc pas nécessairement une question de dépassement de Gemini, fonctionnalité par fonctionnalité. Son intérêt réside dans la combinaison de la vision, des capacités d’agent et de l’efficacité agressive des tokens d’image.
Pour les développeurs qui traitent de grands volumes de captures d’écran ou d’observations visuelles, c’est un positionnement intéressant.
La nouvelle API Files compte aussi
DeepSeek a également lancé une API Files en plus du modèle de vision.
Au lieu d’envoyer la même image à répétition, les développeurs peuvent la téléverser une fois puis la réutiliser plus tard via un file_id. DeepSeek affirme que l’API Files elle-même est gratuite et qu’elle est conçue pour réduire la bande passante lorsque la même image est réutilisée sur plusieurs requêtes.
Cela ressemble à une petite fonctionnalité d’infrastructure, mais elle a du sens pour les flux de travail d’agents.
Un agent peut avoir besoin de revenir plusieurs fois à la même capture d’écran, au même diagramme ou à la même image source au cours d’une tâche plus longue. Réutiliser un fichier téléversé rend ce flux de travail plus propre et évite de transférer à répétition les mêmes données.
Où DeepSeek V4 Flash Vision Exp pourrait être utile
Les applications les plus intéressantes vont au-delà de la simple question : « Qu’y a-t-il dans cette image ? »
Un agent de développement peut générer une page web, inspecter la capture d’écran, puis corriger les problèmes de mise en page.
Un agent navigateur peut observer une interface avant de décider de l’action à effectuer.
Un agent métier peut interpréter un tableau de bord ou un graphique avant de déclencher un autre flux de travail.
Un système documentaire peut combiner l’extraction de texte avec la compréhension visuelle des tableaux, des diagrammes et des pages scannées.
Il s’agit d’un changement plus large qui se produit dans les modèles IA : passer de modèles qui voient simplement des images à des agents capables de voir, raisonner et agir.
DeepSeek V4 Flash Vision Exp s’inscrit directement dans cette tendance.
Faut-il l’utiliser maintenant ?
Pour les expériences, oui, absolument.
Pour les charges de production, davantage de tests sont nécessaires.
Le modèle porte encore l’étiquette « Exp », et DeepSeek le décrit lui-même comme expérimental. Les développeurs devraient porter une attention particulière à la reconnaissance des petits textes, aux interfaces denses, aux hallucinations visuelles et aux performances après redimensionnement automatique des images.
La grande question n’est pas de savoir si DeepSeek a construit le meilleur modèle de vision au monde.
Il s’agit plutôt de savoir si V4 Flash Vision Exp peut fournir une compréhension visuelle suffisamment bonne à un coût qui rend des agents multimodaux à volume élevé vraiment pratiques.
Si c’est le cas, le plafonnement des images à 384 tokens pourrait finir par être plus important que la comparaison de benchmarks qui a attiré les gros titres.
FAQ
Qu’est-ce que DeepSeek V4 Flash Vision Exp ?
DeepSeek V4 Flash Vision Exp est une version multimodale expérimentale de V4 Flash qui prend en charge les entrées texte et image via l’API DeepSeek.
Est-ce que DeepSeek V4 Flash prend en charge les images ?
Le V4 Flash standard reste un modèle orienté texte. Les développeurs peuvent utiliser deepseek-v4-flash-vision-exp lorsque l’entrée visuelle est nécessaire.
Combien de tokens une image utilise-t-elle ?
DeepSeek indique qu’une image peut consommer jusqu’à 384 tokens d’entrée, les images plus grandes étant automatiquement redimensionnées avant le traitement.
Est-ce que DeepSeek V4 Flash Vision Exp est meilleur que Claude Opus 4.8 ?
Pas universellement. Dans les benchmarks d’agents multimodaux publiés par DeepSeek, V4 Flash Vision Exp remporte certains tests tandis qu’Opus 4.8 en remporte d’autres. Des comparaisons indépendantes en conditions réelles restent nécessaires.
Est-ce que DeepSeek V4 Flash Vision Exp est meilleur que Gemini 3.7 Flash ?
Ils visent actuellement des forces quelque peu différentes. Gemini 3.7 Flash prend en charge un éventail plus large d’entrées multimodales et d’outils intégrés, tandis que le nouveau modèle de DeepSeek se distingue par son plafond de tokens d’image bas et sa focalisation sur les flux de travail d’agents multimodaux.