A DeepSeek lançou nesta sexta-feira (21) o V4-Flash-Vision-Exp, um modelo experimental que adiciona visão ao V4-Flash, seu modelo mais barato. O sistema passou a aceitar imagens, capturas de tela e gráficos junto com o texto, mantendo as capacidades de raciocínio, conhecimento geral e automação da versão original. O modelo já está disponível na API da empresa e no OpenRouter.
O lançamento responde ao ponto mais cobrado da linha V4: a falta de entrada multimodal. Nos testes de agentes que dependem de visão, a DeepSeek afirma que o V4-Flash-Vision-Exp dá um salto grande sobre o V4-Flash de texto e chega perto do Opus 4.8, da Anthropic. Na tabela publicada pela própria empresa, o modelo ganha 3 de 11 benchmarks (DeepSWE, Agents’ Last Exam e ZeroBench) e perde por margens pequenas na maioria dos outros.
Multimodal por preço de texto
O V4-Flash-Vision-Exp mantém a arquitetura do modelo original, uma mistura esparsa de especialistas com 284 bilhões de parâmetros, dos quais 13 bilhões são ativados por consulta. A janela de contexto segue em 1 milhão de tokens. A novidade está no tratamento das imagens: cada uma é convertida em até 384 tokens e cobrada pelo preço do texto, US$ 0,22 por milhão de tokens de entrada e US$ 0,66 de saída.
Na prática, uma imagem custa frações de centavo. O desenvolvedor pode enviar o arquivo em base64, por URL externa ou pela nova Files API, que permite subir a imagem uma vez e reutilizá-la por um identificador. A DeepSeek também lançou a versão 0.1.1 do seu Harness de agentes com suporte nativo ao modelo, tema que o Tambotech cobriu na semana passada em DeepSeek Harness: a entrada da empresa na corrida dos agentes de IA.
Os números merecem contexto. Na ApexBench, o salto do V4-Flash para o V4-Flash-Vision-Exp é de 36,5 contra 26,2, mas a própria DeepSeek avisa no rodapé da tabela que o modelo de texto ignora os elementos multimodais das provas. Parte do avanço é um modelo cego começando a enxergar. Em texto puro, porém, a versão com visão supera a original em 6 dos 7 testes, com exceção do Cybergym, de segurança.
A disputa entre China e Estados Unidos
A escolha do Opus 4.8 como parâmetro não é casual. O modelo da Anthropic segue ativo e recebe suporte até maio de 2027, enquanto o Opus 5, mais novo, ficou fora da comparação. Há também o motivo comercial: pesquisa deste mês apontou o V4-Flash como o modelo conhecido mais barato de rodar, a cerca de US$ 0,87 por um milhão de palavras, contra US$ 50 na Anthropic. Margens de um ou dois pontos viram argumento de venda.
No Brasil, o modelo chega pelas duas portas: a API oficial da DeepSeek e o OpenRouter, que já lista o V4-Flash-Vision-Exp ao preço de US$ 0,22 por milhão de tokens de entrada. Com o dólar perto de R$ 5,19, um desenvolvedor brasileiro testa visão em agentes por cerca de R$ 1,14 por milhão de tokens, sem contrato ou mensalidade. O movimento reduz a barreira para montar agentes que leem telas, documentos e gráficos, área em que os modelos chineses vêm ganhando terreno justamente pelo custo.
O V4-Flash-Vision-Exp é experimental, e a DeepSeek admite não ter comparado o modelo com o Opus 5, o mais novo da Anthropic. Mesmo assim, a empresa se prepara para abrir capital na China, com pedido previsto para este ano. Se os testes independentes confirmarem os números, a DeepSeek entra na disputa de visão com o preço mais baixo do mercado e mostra que a corrida de IA entre China e Estados Unidos não se decide só em texto.
Fonte: DeepSeek | The Next Web | Infobae
