Китайский Deepseek выкатил мультимодальную модель! Называется deepseek-v4-flash-vision-exp – принимает картинки вместе с текстом: умеет в описание изображений, чтение скриншотов, анализ графиков.

По тексту (агенты, reasoning, знания) – на уровне обычного V4-Flash, а на мультимодальных агентских бенчмарках – большой скачок, близко к Opus 4.8.

Картинка стоит максимум 384 токена – всё, что больше ~800×800, сжимается до этого размера. 2000×2000 и 5000×5000 съедят одинаково.

– тарификация – по ценам V4-Flash: при $0.14/1M input это ~18 тысяч изображений на доллар (в off-peak часы – вдвое дешевле)

– до 600 изображений в одном запросе, форматы JPEG/PNG/GIF/WebP, есть Files API для переиспользования

– работает через три интерфейса сразу: OpenAI Chat Completions, Responses API и Anthropic-совместимый.

Короче, надо пробовать. Стоит, как обычно — копейки вообще. Должна быть сильна и в обработке документов, и в обработке графики (кроме совсем уж плотных текстов).

На фото — ЗилОк вайбкодит под Линух при помощи ИИ. Трудный выбор 🙂