A DeepSeek lançou o DeepSeek-V4-Flash-Vision-Exp, um modelo multimodal experimental disponível por meio da API. Ele aceita tanto texto quanto imagens, trazendo entendimento de capturas de tela, análise de gráficos, tarefas no estilo OCR e outros fluxos visuais para a família V4 Flash.
Os números dos benchmarks estão chamando a maior atenção. A DeepSeek afirma que o desempenho do seu agente multimodal agora está próximo ao Claude Opus 4.8.
Mas há outra parte do lançamento que pode importar mais para desenvolvedores: uma única imagem não usa mais do que 384 tokens de entrada e é cobrada na mesma taxa de tokens do V4 Flash.
Para agentes de IA que precisam olhar repetidamente para capturas de tela, interfaces ou páginas de documentos, isso pode deixar os fluxos visuais consideravelmente mais baratos.
O que é o DeepSeek V4 Flash Vision Exp?
O novo modelo está disponível pela API em:
deepseek-v4-flash-vision-exp
A DeepSeek descreve como um modelo experimental de entendimento visual, e não como um substituto do V4 Flash padrão.
Sua principal mudança é direta: agora o V4 Flash consegue trabalhar com informações visuais diretamente.
Desenvolvedores podem enviar entradas mistas de texto-e-imagem por meio das APIs de Chat Completions, Messages e Responses. As imagens podem ser enviadas em Base64, por URLs externas ou via a nova API de Files da DeepSeek.
Isso abre fluxos como:
-
analisar capturas de tela
-
entender gráficos e diagramas
-
extrair informações de imagens de documentos
-
inspecionar interfaces de usuário
-
combinar entradas visuais com ferramentas de agentes
-
permitir que agentes de codificação revisem as interfaces que eles geram
A DeepSeek diz que suas capacidades puramente de texto continuam alinhadas, aproximadamente, ao V4 Flash regular, enquanto o desempenho melhora significativamente em tarefas que exigem entendimento visual.
A DeepSeek diz que está perto do Claude Opus 4.8
Uma das maiores alegações do anúncio é a comparação com o Anthropic's Claude Opus 4.8.
Nas avaliações publicadas de agentes multimodais da DeepSeek, os dois modelos alternam vitórias: nenhum supera consistentemente o outro.
| 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 |
A DeepSeek lidera em Agents' Last Exam e ZeroBench, enquanto o Opus 4.8 fica à frente em ApexBench e Chartography.
No entanto, isso não deve ser lido como prova de que a DeepSeek tenha alcançado o Claude em todas as tarefas de visão. Estas são avaliações publicadas pelo provedor, e testes independentes ainda serão necessários para cenários reais de OCR, reconhecimento de textos pequenos, alucinações visuais, navegação em interfaces e tarefas longas de agentes.
Há também um detalhe de timing importante: o Opus 4.8 não é mais o modelo Opus mais recente da Anthropic. A Anthropic lançou o Claude Opus 5 em 24 de julho de 2026, posicionando-o como uma melhoria sobre o Opus 4.8 em codificação e trabalhos orientados a agentes.
Assim, o novo modelo da DeepSeek está sendo comparado com um Claude recente e forte, mas não com a geração mais nova da Anthropic.
O limite de imagem de 384 tokens é a parte mais interessante
Benchmarks fazem melhores manchetes. O desenho de tokens de imagem pode ter um impacto maior nas aplicações reais.
A DeepSeek converte imagens em tokens antes da inferência, com cada imagem limitada a 384 tokens. Imagens grandes são redimensionadas automaticamente, o que mantém o custo de entrada previsível.
Isso importa porque agentes visuais muitas vezes precisam de mais de uma imagem.
Imagine um agente de navegador concluindo uma tarefa em 30 telas diferentes. Um agente de codificação pode capturar capturas de tela repetidamente enquanto muda uma interface. Um fluxo de documentos pode processar dezenas de páginas digitalizadas ou gráficos.
Nessas situações, o custo do processamento de imagens pode se acumular rapidamente.
A abordagem da DeepSeek torna observações visuais repetidas surpreendentemente leves do ponto de vista de tokens.
O trade-off é a resolução. Comprimir uma captura de tela grande em um orçamento limitado de tokens visuais significa que textos muito pequenos, planilhas densas ou diagramas detalhados podem perder informação. Visão barata não significa, automaticamente, visão perfeita em alta resolução.
Essa é uma das áreas que os desenvolvedores devem testar antes de confiar no modelo em produção.
Como ele se compara com o Gemini 3.7 Flash?
O Google é outra comparação óbvia.
O Gemini 3.7 Flash ficou geralmente disponível em 13 de agosto e atualmente é o modelo Flash mais recente do Google. Ele é nativamente multimodal e oferece suporte a texto, imagens, vídeo, áudio e PDFs, além de recursos embutidos como function calling, execução de código, Search grounding e uso de computador.
Isso faz com que os dois modelos Flash sejam propostas ligeiramente diferentes.
Gemini 3.7 Flash oferece um ecossistema mais amplo de ferramentas e multimodalidade.
DeepSeek V4 Flash Vision Exp atualmente parece mais focado de forma específica em levar entendimento de imagens acessível para fluxos de trabalho de agentes.
Dessa forma, o lançamento da DeepSeek não é necessariamente sobre superar o Gemini recurso por recurso. O apelo está na combinação de visão, capacidade de agente e eficiência agressiva de tokens de imagem.
Para desenvolvedores que processam grandes volumes de capturas de tela ou observações visuais, essa é uma proposta interessante.
A nova API de Files também importa
A DeepSeek também lançou uma API de Files junto com o modelo de visão.
Em vez de enviar a mesma imagem repetidamente, desenvolvedores podem fazer upload uma vez e referenciá-la depois usando um file_id. A DeepSeek afirma que a própria API de Files é gratuita e foi desenhada para reduzir o uso de banda quando a mesma imagem é reutilizada em várias requisições.
Isso parece um recurso pequeno de infraestrutura, mas faz sentido para fluxos de agentes.
Um agente pode precisar voltar à mesma captura de tela, diagrama ou imagem-fonte algumas vezes ao concluir uma tarefa mais longa. Reutilizar um arquivo enviado deixa o fluxo mais limpo e evita transferir repetidamente os mesmos dados.
Onde o V4 Flash Vision Exp pode ser útil
As aplicações mais interessantes vão além de perguntar: “o que tem nesta imagem?”.
Um agente de codificação poderia gerar uma página da web, inspecionar a captura de tela e então corrigir problemas de layout.
Um agente de navegador poderia observar uma interface antes de decidir qual ação tomar.
Um agente de negócios poderia interpretar um dashboard ou gráfico antes de acionar outro fluxo.
Um sistema de documentos poderia combinar extração de texto com entendimento visual de tabelas, diagramas e páginas digitalizadas.
Essa é a mudança mais ampla acontecendo em modelos de IA: de modelos que simplesmente veem imagens para agentes que conseguem ver, raciocinar e agir.
O DeepSeek V4 Flash Vision Exp se encaixa diretamente nessa tendência.
Vale a pena usar agora?
Para experimentos, sem dúvida.
Para cargas de produção, é preciso mais testes.
O modelo ainda traz o rótulo “Exp”, e a própria DeepSeek o descreve como experimental. Desenvolvedores devem prestar atenção especial ao reconhecimento de textos pequenos, interfaces densas, alucinações visuais e ao desempenho após o redimensionamento automático de imagens.
A grande questão não é se a DeepSeek construiu o melhor modelo de visão do mundo.
É se o V4 Flash Vision Exp consegue entregar um entendimento visual bom o suficiente a um custo que torne agentes multimodais de alto volume viáveis.
Se conseguir, o limite de imagem de 384 tokens pode acabar sendo mais importante do que a comparação de benchmarks que chamou as manchetes.
FAQ
O que é o DeepSeek V4 Flash Vision Exp?
O DeepSeek V4 Flash Vision Exp é uma versão multimodal experimental do V4 Flash que suporta entradas de texto e imagem via a API da DeepSeek.
O DeepSeek V4 Flash suporta imagens?
O V4 Flash regular continua sendo um modelo focado em texto. Desenvolvedores podem usar deepseek-v4-flash-vision-exp quando for necessário ter entrada visual.
Quantos tokens uma imagem usa?
A DeepSeek afirma que uma imagem pode consumir até 384 tokens de entrada, com imagens maiores sendo redimensionadas automaticamente antes do processamento.
O DeepSeek V4 Flash Vision Exp é melhor do que o Claude Opus 4.8?
Não universalmente. Nos benchmarks publicados de agentes multimodais da DeepSeek, o V4 Flash Vision Exp vence alguns testes enquanto o Opus 4.8 vence outros. Ainda são necessárias comparações independentes em cenários reais.
O DeepSeek V4 Flash Vision Exp é melhor do que o Gemini 3.7 Flash?
Atualmente, eles miram forças um pouco diferentes. O Gemini 3.7 Flash suporta uma variedade mais ampla de entradas multimodais e ferramentas embutidas, enquanto o novo modelo da DeepSeek se destaca por seu baixo limite de tokens de imagem e seu foco em fluxos de trabalho de agentes multimodais.