DeepSeek ha rilasciato DeepSeek-V4-Flash-Vision-Exp, un modello multimodale sperimentale disponibile tramite la sua API. Accetta sia testo sia immagini, portando la comprensione di screenshot, l’analisi di grafici, attività in stile OCR e altri flussi di lavoro visivi nella famiglia V4 Flash.
I numeri dei benchmark stanno attirando la maggior parte dell’attenzione. DeepSeek afferma che le prestazioni del suo agente multimodale sono ora vicine a Claude Opus 4.8.
Ma c’è un’altra parte del lancio che potrebbe contare di più per gli sviluppatori: una singola immagine non usa più di 384 token di input ed è addebitata allo stesso tasso di token di V4 Flash.
Per gli agenti AI che devono osservare ripetutamente screenshot, interfacce o pagine di documenti, potrebbe rendere i flussi di lavoro visivi decisamente più economici.
Cos’è DeepSeek V4 Flash Vision Exp?
Il nuovo modello è disponibile tramite l’API sotto:
deepseek-v4-flash-vision-exp
DeepSeek lo descrive come un modello sperimentale di comprensione visiva, piuttosto che una sostituzione della normale V4 Flash.
Il cambiamento principale è semplice: V4 Flash ora può lavorare direttamente con informazioni visive.
Gli sviluppatori possono inviare input misti di testo e immagine tramite le API Chat Completions, Messages e Responses. Le immagini possono essere fornite in Base64, tramite URL esterni oppure tramite la nuova Files API di DeepSeek.
Questo apre flussi di lavoro come:
-
analizzare screenshot
-
comprendere grafici e diagrammi
-
estrarre informazioni da immagini di documenti
-
ispezionare le interfacce utente
-
combinare input visivi con strumenti per agenti
-
permettere agli agenti di coding di rivedere le interfacce che generano
DeepSeek afferma che le sue capacità puramente testuali restano grosso modo in linea con la normale V4 Flash, mentre le prestazioni migliorano in modo significativo per compiti che richiedono comprensione visiva.
DeepSeek afferma di essere vicino a Claude Opus 4.8
Uno dei claim più importanti nell’annuncio è il confronto con Claude Opus 4.8 di Anthropic.
Nelle valutazioni pubblicate da DeepSeek per agenti multimodali, i due modelli si scambiano le vittorie, invece di battere l’altro in modo costante.
| 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 guida in Agents' Last Exam e ZeroBench, mentre Opus 4.8 resta avanti in ApexBench e Chartography.
Non dovrebbe però essere interpretato come prova che DeepSeek abbia eguagliato Claude in ogni singolo compito visivo. Si tratta di valutazioni pubblicate dal fornitore e saranno comunque necessari test indipendenti per casi reali di OCR, riconoscimento di testo molto piccolo, allucinazioni visive, navigazione nell’interfaccia e attività di agenti di lunga durata.
C’è anche un dettaglio temporale importante: Opus 4.8 non è più l’ultimo modello Opus di Anthropic. Anthropic ha lanciato Claude Opus 5 il 24 luglio 2026, posizionandolo come un miglioramento rispetto a Opus 4.8 nel coding e nel lavoro agentico.
Quindi il nuovo modello di DeepSeek viene confrontato con un forte modello Claude recente, ma non con l’ultima generazione di Anthropic.
Il limite di immagini a 384 token è la parte più interessante
I benchmark creano titoli migliori. Il design dei token immagine potrebbe avere un impatto maggiore sulle applicazioni reali.
DeepSeek converte le immagini in token prima dell’inferenza, con ogni immagine limitata a 384 token. Le immagini grandi vengono ridimensionate automaticamente, così da mantenere prevedibile il costo di input.
Questo conta perché gli agenti visivi spesso hanno bisogno di più di un’immagine.
Immagina un agente browser che completa un compito su 30 schermate diverse. Un agente di coding potrebbe catturare screenshot in modo ripetuto mentre cambia un’interfaccia. Un flusso di lavoro documentale potrebbe processare decine di pagine scansionate o grafici.
In situazioni del genere, i costi dell’elaborazione delle immagini possono accumularsi rapidamente.
L’approccio di DeepSeek rende le osservazioni visive ripetute decisamente più leggere, dal punto di vista dei token.
Il compromesso è la risoluzione. Comprendere uno screenshot grande entro un budget limitato di token visivi significa che testi molto piccoli, fogli di calcolo densi o diagrammi dettagliati possono perdere informazioni. Vision economica non significa automaticamente visione perfetta ad alta risoluzione.
È una delle aree che gli sviluppatori dovrebbero testare prima di affidarsi al modello in produzione.
Come si confronta con Gemini 3.7 Flash?
Google è un altro confronto evidente.
Gemini 3.7 Flash è diventato generalmente disponibile l’13 agosto ed è attualmente l’ultimo modello Flash di Google. È nativamente multimodale e supporta testo, immagini, video, audio e PDF, insieme a funzionalità integrate come function calling, esecuzione di codice, Search grounding e uso del computer.
Questo rende le due proposte Flash leggermente diverse.
Gemini 3.7 Flash offre un ecosistema multimodale e di strumenti più ampio.
DeepSeek V4 Flash Vision Exp al momento sembra più focalizzato, in modo specifico, sull’inserire una comprensione delle immagini economica nei flussi di lavoro degli agenti.
Quindi il rilascio di DeepSeek non riguarda necessariamente il superare Gemini funzionalità per funzionalità. Il suo punto di forza è la combinazione di visione, capacità dell’agente ed efficienza aggressiva dei token immagine.
Per gli sviluppatori che processano grandi volumi di screenshot o osservazioni visive, è un posizionamento interessante.
Anche la nuova Files API è importante
DeepSeek ha anche lanciato una Files API insieme al modello vision.
Invece di inviare la stessa immagine ripetutamente, gli sviluppatori possono caricarla una volta e poi richiamarla in seguito usando un file_id. DeepSeek dice che la Files API in sé è gratuita ed è pensata per ridurre la larghezza di banda quando la stessa immagine viene riutilizzata su più richieste.
Sembra una piccola funzionalità infrastrutturale, ma ha senso per i flussi di lavoro degli agenti.
Un agente potrebbe dover tornare più volte allo stesso screenshot, diagramma o immagine di origine mentre completa un compito più lungo. Riutilizzare un file caricato rende il flusso di lavoro più pulito ed evita di trasferire più volte gli stessi dati.
Dove potrebbe essere utile V4 Flash Vision Exp
Le applicazioni più interessanti vanno oltre il semplice chiedere, “Cosa c’è in questa immagine?”.
Un agente di coding potrebbe generare una pagina web, ispezionare lo screenshot e poi correggere i problemi di layout.
Un agente browser potrebbe osservare un’interfaccia prima di decidere quale azione intraprendere.
Un agente business potrebbe interpretare un dashboard o un grafico prima di attivare un altro flusso di lavoro.
Un sistema documentale potrebbe combinare estrazione di testo con comprensione visiva di tabelle, diagrammi e pagine scansionate.
Questo è il cambiamento più ampio che sta avvenendo in molti modelli AI: da modelli che semplicemente vedono immagini ad agenti che possono vedere, ragionare e agire.
DeepSeek V4 Flash Vision Exp si inserisce direttamente in questa tendenza.
Dovresti usarlo ora?
Per gli esperimenti, assolutamente.
Per i carichi di lavoro di produzione, serve più test.
Il modello porta ancora l’etichetta “Exp” e DeepSeek stesso lo descrive come sperimentale. Gli sviluppatori dovrebbero prestare particolare attenzione al riconoscimento di testo molto piccolo, alle interfacce dense, alle allucinazioni visive e alle prestazioni dopo il ridimensionamento automatico delle immagini.
La domanda più grande non è se DeepSeek abbia costruito il miglior modello di visione al mondo.
La vera questione è se V4 Flash Vision Exp possa offrire una comprensione visiva sufficientemente buona a un costo che renda pratici gli agenti multimodali ad alto volume.
Se ci riesce, il limite di immagini a 384 token potrebbe finire per essere più importante del confronto sui benchmark che ha catturato i titoli.
FAQ
Cos’è DeepSeek V4 Flash Vision Exp?
DeepSeek V4 Flash Vision Exp è una versione multimodale sperimentale di V4 Flash che supporta input di testo e immagini tramite la DeepSeek API.
DeepSeek V4 Flash supporta le immagini?
La normale V4 Flash resta un modello focalizzato sul testo. Gli sviluppatori possono usare deepseek-v4-flash-vision-exp quando è richiesto un input visivo.
Quanti token usa una singola immagine?
DeepSeek afferma che un’immagine può consumare fino a 384 token di input, con le immagini più grandi ridimensionate automaticamente prima dell’elaborazione.
DeepSeek V4 Flash Vision Exp è migliore di Claude Opus 4.8?
Non universalmente. Nelle valutazioni pubblicate da DeepSeek per agenti multimodali, V4 Flash Vision Exp vince alcuni test mentre Opus 4.8 vince altri. Restano comunque necessari confronti indipendenti in scenari reali.
DeepSeek V4 Flash Vision Exp è migliore di Gemini 3.7 Flash?
Attualmente puntano a capacità in parte diverse. Gemini 3.7 Flash supporta una gamma più ampia di input multimodali e strumenti integrati, mentre il nuovo modello di DeepSeek si distingue per il suo limite basso di token immagine e per la focalizzazione sui flussi di lavoro degli agenti multimodali.