DeepSeek ha reso disponibile sulla propria piattaforma API DeepSeek-V4-Flash-Vision-Exp, un modello multimodale sperimentale che estende le capacità del precedente V4-Flash aggiungendo la comprensione delle immagini senza ridurre le prestazioni nelle attività testuali. Il sistema mantiene infatti le capacità di V4-Flash nel ragionamento, nelle attività agentiche e nella conoscenza generale, ma può elaborare nello stesso flusso testo e contenuti visivi. L’obiettivo è consentire agli agenti AI di lavorare direttamente con screenshot, grafici, documenti e altre informazioni visive senza dover ricorrere a un modello separato per estrarre preventivamente il contenuto delle immagini.
Sul piano architetturale, V4-Flash-Vision-Exp utilizza una struttura Mixture of Experts con 284 miliardi di parametri complessivi, dei quali circa 13 miliardi vengono attivati per ciascun token. Il modello supporta una finestra di contesto massima da un milione di token, caratteristica che permette di combinare grandi quantità di testo e immagini all’interno della stessa richiesta. Nei benchmark interni pubblicati da DeepSeek, il modello ha ottenuto 36,5 punti pass@1 su ApexBench, rispetto ai 39,4 punti di Claude Opus 4.8, mentre su Agents’ Last Exam ha raggiunto 27,3 punti contro 25,7 e su ZeroBench 35,0 punti contro 34,0. I risultati sono stati ottenuti utilizzando la modalità Minimal Mode di DeepSeek Harness e richiedono quindi verifiche indipendenti; inoltre, la presenza della sigla “Exp” indica che il modello è ancora sperimentale e potrebbe essere modificato sulla base del feedback degli sviluppatori, anche con un eventuale cambio dell’identificativo.
Uno degli elementi più rilevanti riguarda il modello di costo. DeepSeek applica agli input visivi la stessa tariffazione prevista per i token testuali di V4-Flash, senza un sovrapprezzo specifico per le capacità multimodali, e converte ogni immagine in un massimo di 384 token ai fini della fatturazione. Nelle fasce non di punta, l’input costa 0,22 dollari per milione di token e l’output 0,66 dollari, mentre nei periodi di maggiore traffico le tariffe salgono rispettivamente a 0,44 e 1,32 dollari. Questa struttura è pensata soprattutto per agenti che devono effettuare numerose chiamate durante lo stesso processo, ad esempio per controllare errori mostrati a schermo, interpretare log forniti come immagini, analizzare documenti visivi o verificare graficamente il risultato prodotto. In scenari nei quali un agente esegue decine o centinaia di richieste consecutive, il costo della componente visiva può incidere direttamente sul costo operativo complessivo.
DeepSeek ha accompagnato il rilascio con un aggiornamento degli strumenti per sviluppatori. Il modello è supportato nativamente da DeepSeek Harness 0.1.1, che permette di realizzare flussi agentici combinando testo e immagini senza configurazioni particolarmente complesse. È stato inoltre introdotto gratuitamente il Files API, attraverso il quale un’immagine può essere caricata una sola volta e poi riutilizzata in richieste successive tramite il relativo file ID. In alternativa, gli sviluppatori possono inserire direttamente le immagini nella richiesta in formato Base64 oppure indicare un URL HTTP o HTTPS pubblicamente accessibile.
Sul fronte dell’integrazione, V4-Flash-Vision-Exp supporta le API Chat Completions compatibili con OpenAI, le Messages API compatibili con Anthropic e le Responses API. Questa compatibilità consente di introdurre il modello in ambienti di sviluppo già esistenti con modifiche limitate, mantenendo al tempo stesso un’unica interfaccia per attività testuali, visive e agentiche. Il modello viene quindi proposto come estensione multimodale della linea V4-Flash, con particolare attenzione alla gestione di workflow agentici complessi, all’elaborazione congiunta di immagini e testo e alla riduzione dei costi di inferenza nelle applicazioni che richiedono un uso intensivo della componente visiva.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)