DeepSeek V4 Flash Vision Adds Text+Screenshot Vision at Budget Prices

DeepSeek hat seine Flash-Reihe um Bildverständnis erweitert: Mit dem Modell „V4 Flash Vision“ können Entwickler jetzt Text und Screenshots in derselben API-Anfrage auswerten – zu deutlich niedrigeren Preisen als beim teureren Spitzenmodell, allerdings mit Einschränkungen bei der Bildschärfe.

V4 Flash Vision kommt als günstige Alternative zu V4 Pro

Die Bildverarbeitung wurde am 21. August in „V4 Flash“ integriert – ohne Aufpreis auf die Flash-Preisstufe. Bis zu 600 Bilder lassen sich dabei in einer einzelnen Anfrage mitsenden. DeepSeek setzt dafür bewusst auf die günstige Flash-Linie statt auf das teurere V4 Pro: Dessen API-Preise wurden erst vor kurzer Zeit vervierfacht.

Das experimentelle Modell „deepseek-v4-flash-vision-exp“ verarbeitet Text und Bilder in derselben Anfrage. Es soll Beschriftungen aus Screenshots lesen und Diagramme auswerten können. Damit richtet sich das Angebot besonders an Entwickler, die Agenten bauen, die Oberflächen „sehen“ müssen – etwa um UI-Elemente, Anzeigen oder Diagrammwerte zu erfassen, statt nur Text zu verarbeiten.

Token-Limits, Skalierung und Preisdetails für Entwickler

DeepSeeks Vision-Modell begrenzt pro Bild die Eingabe auf maximal 384 Token – unabhängig davon, ob das Bild 2.000 × 2.000 Pixel oder 5.000 × 5.000 Pixel groß ist. Zusätzlich gilt: Ab dem 15. Bild sinkt die erlaubte Kantenlänge von 8.192 auf 4.096 Pixel. Bei einem vollen Batch mit 600 Bildern ergibt das rechnerisch rund 230.400 Bildtoken; das sind etwa 23 Prozent eines Kontextfensters von einer Million Token, bevor Text und Ausgabe hinzukommen.

DeepSeek rechnet dabei nach dem Flash-Tarif ab, der mit V4 Flash als reines Textmodell im April gestartet ist. Die Preise liegen außerhalb von Spitzenzeiten bei 0,22 US-Dollar pro Million Input-Token; während Spitzenzeiten bei 0,44 US-Dollar pro Million Input-Token. Die Redaktion hat die Werte am 22. August 2026 in der DeepSeek-Preisliste geprüft.

• Bildstapel: bis zu 600 Bilder pro Anfrage
• Token pro Bild: max. 384 (auflösungsunabhängig)
• Flash-Preise: 0,22 US-Dollar je 1 Mio. Input-Token (außerhalb), 0,44 US-Dollar (Spitzenzeiten)
• Spitzenzeiten: 3–6 Uhr sowie 8–12 Uhr MESZ
• Wochenendregel: ab 23. August ganztägig zum günstigeren Tarif
• Upload: neuer Datei-Upload ist kostenlos; ein Upload kann per ID mehrfach referenziert werden

Für die Auswertung skaliert DeepSeek jedes Bild vorab auf ungefähr 800 × 800 Pixel. Eine 4K-Aufnahme schrumpft dadurch auf etwa 1.067 × 600 Pixel – also unter Full HD. Das betrifft insbesondere Inhalte, die für PC-bezogene Analysen häufig genutzt werden: Sensorlisten (z. B. HWinfo), verschachtelte BIOS-Menüs, Frametime-Diagramme oder das HUD aus Spielen. Laut den bereitgestellten Hinweisen können kleine Beschriftungen dabei an Kontrast und Kantenschärfe verlieren; ähnlich geformte Ziffern können außerdem verwechselt werden.

Wer „detail“ auf „low“ setzt, landet sogar bei etwa 512 × 512 Pixeln. Praktisch empfiehlt DeepSeek deshalb, relevante Bereiche lokal zuzuschneiden und einzeln zu senden, statt die gesamte hochauflösende Fläche mitzuliefern.

Formate, API-Regeln und Stand der lokalen Nutzung

Akzeptiert werden JPEG, PNG, GIF und WebP. Die Schnittstelle erkennt das Format über den Dateiinhalt statt über die Endung. Bilder sind außerdem ausschließlich in Nutzernachrichten erlaubt: In System- oder Assistenznachrichten quittiert die API sie mit einem Fehler 400.

Wichtig für lokale KI: Die Vision-Variante ist bislang nur über die Cloud-API verfügbar. Für die Textmodell-Variante „V4-Flash-0731“ nennt DeepSeek hingegen eine MIT-lizenzierte Gewichtsverfügbarkeit bei Hugging Face. Für die Bildversion fehlen laut den Angaben eigene Architektur-Details. OpenRouter führt sie mit 284 Milliarden Parametern im Basismodell, von denen je Token 13 Milliarden aktiv sind.

Damit bleibt die Option „Screenshot-Analyse ohne Cloud“ vorerst bei Modellen, die als Downloads verfügbar sind. Ob aus dem experimentellen Bildmodell ein dauerhaftes Angebot wird, soll sich laut DeepSeek anhand der Nutzung entscheiden; auch die Modellkennung kann sich dabei noch ändern.

Wie stark ist es im Vergleich? DeepSeek nennt Benchmarks

DeepSeek stellt eigene Vergleichswerte zur „Claude Opus“-Linie dar: Claude Opus 4.8 dient als Referenz, das Anthropic am 24. Juli 2026 durch Opus 5 ersetzt hat. Im visuellen ApexBench erreicht die Vision-Variante 36,5 Punkte gegenüber 39,4 für Opus 4.8. Das reine Textmodell kommt auf 26,2.

Bei Agents’ Last Exam liegt DeepSeek mit 27,3 zu 25,7 vorn; bei ZeroBench mit 35,0 zu 34,0. Im Terminal-Bench 2.1 meldet das Unternehmen 83,9 gegenüber 85,0 Prozent. Beim anspruchsvolleren NL2Repo wächst der Abstand auf 57,7 zu 69,7 Prozent.

DeepSeek betont dabei, dass der Rückstand bei Repository-Aufgaben im Alltag schwerer wiegt als knappe Vorteile in zwei visuellen Tests. Gemessen wurde im eigenen Harness im Minimal-Modus mit Temperatur 1,0 und Top-p 0,95; unabhängige Nachmessungen fehlen bislang.

Was ihr jetzt beobachten solltet

• Ob DeepSeek „deepseek-v4-flash-vision-exp“ aus dem Experimentstatus heraus zu einem festen Modell macht
• Wie sich die Bildschärfe in der Praxis auswirkt – besonders bei BIOS-/HWinfo-Screens und Diagrammen
• Ob unabhängige Benchmarks für die Vision-Variante nachgereicht werden
• Ob es später eine lokale Variante oder offene Gewichte für die Bildversion gibt