21 августа компания DeepSeek представила экспериментальную версию модели V4-Flash-Vision-Exp, представляющую собой мультимодальное решение, расширяющее функциональность линейки V4-Flash за счет добавления анализа изображений. Эта модель, доступная через API, предназначена в первую очередь для ИИ-агентов, которым требуется одновременная обработка текстовой и визуальной информации, такой как скриншоты, графики, документы и пользовательские интерфейсы.

Как отмечают разработчики DeepSeek, новая разработка сохраняет ключевые характеристики V4-Flash в части работы с агентами, логических рассуждениях и общих знаниях, но теперь способна учитывать визуальные данные непосредственно при решении поставленных задач. Согласно результатам тестов, опубликованных компанией, модель набрала 83,9 балла в Terminal Bench 2.1, 57,7 – в NL2Repo, 59,3 – в DeepSWE, 63,6 – в DSBench-Hard и 64,3 – в Chartography. DeepSeek утверждает, что совокупность этих показателей позволяет модели приблизиться к уровню Anthropic Opus 4.8.

Тем не менее, такое сравнение не подразумевает безоговорочного превосходства DeepSeek над конкурентами. Согласно представленной таблице, новая модель опередила Opus 4.8 лишь в трех из одиннадцати тестов, включая DeepSWE, Agents’ Last Exam и ZeroBench, в то время как в остальных испытаниях продемонстрировала худшие результаты. Наиболее значительная разница наблюдалась в некоторых задачах: например, в NL2Repo она составила 12 баллов, а в DSBench-Hard – 8,1 балла. Следует также учитывать, что данные результаты опубликованы самими разработчиками и могут зависеть от конфигурации тестов, используемых инструментов и настроек запуска.

Значимым дополнением стала функция Files API, позволяющая передавать изображения в модель через Base64-кодировку, внешнюю ссылку или загружать их один раз в API для последующего обращения к ним по идентификатору ‘file_id’. DeepSeek заявляет о бесплатном предоставлении Files API, при этом обработка изображений включается в тарификацию V4-Flash и оценивается до 384 токенов на одно изображение.

Вместе с этим выходом компания представила DeepSeek Harness версии 0.1.1, обеспечивающей поддержку новой модели.

Ключевое нововведение для разработчиков заключается в возможности интегрировать визуальное восприятие непосредственно в агентский сценарий, где модель осуществляет рассуждения и взаимодействует с инструментами. Это позволяет создавать более применимые решения для практической работы, хотя V4-Flash-Vision-Exp по-прежнему является экспериментальной моделью, и её надёжность в различных задачах требует отдельной оценки.