DeepSeek lance un modèle de vision expérimental

Lorsqu’un agent ne se contente plus de lire du texte, il commence à entrer dans le monde du travail réel : captures d’écran, pages de documents, tableaux et messages d’erreur. DeepSeek a récemment lancé sur sa plateforme API le modèle multimodal expérimental deepseek-v4-flash-vision-exp, afin de permettre aux workflows d’agents existants de recevoir des images. DeepSeek Harness 0.1.1 prend également désormais le modèle en charge nativement.

Ce modèle reprend les capacités textuelles de DeepSeek-V4-Flash et y ajoute la compréhension visuelle. Les développeurs peuvent soumettre du texte et des images conjointement via les API Chat Completions, Messages et Responses. Les images peuvent être fournies en Base64, via une URL externe ou avec Files API. Un agent bureautique peut analyser des pages et des tableaux, un agent de développement identifier des problèmes d’interface et des messages d’erreur, tandis qu’un outil de production de contenus peut s’appuyer sur des images pour contribuer à générer du contenu.

Le coût reste calculé en tokens : les images sont d’abord converties en tokens selon leur taille, à hauteur de 384 tokens au maximum par image. Lorsque le cache est utilisé, le prix d’entrée est de 0,05 yuan par million de tokens pendant les périodes creuses et de 0,10 yuan pendant les périodes chargées ; lorsque le cache n’est pas utilisé, il s’élève respectivement à 1,5 yuan et 3 yuans. Les prix de sortie sont respectivement de 4,5 yuans et 9 yuans. Les périodes chargées correspondent à chaque jour, heure de Pékin, aux créneaux de 9 h à 12 h et de 14 h à 18 h ; le reste du temps est facturé au tarif des périodes creuses.

Le renvoi répété d’images constitue une contrainte concrète dans les tâches d’agents en plusieurs étapes. Le nouveau service Files API permet aux développeurs de téléverser d’abord une image, puis de référencer le même fichier dans différentes requêtes avec son file_id, sans devoir le téléverser à nouveau. Il prend en charge les formats JPEG, PNG, GIF et WebP, avec une taille maximale de 64 MiB par fichier, et permet à un utilisateur de conserver au maximum 25 GiB et 10 000 fichiers.

Concrètement, les développeurs peuvent désormais intégrer la compréhension des images à leurs workflows existants de bureautique, de développement et de production de contenus, sans devoir retransmettre les mêmes éléments à chaque étape. Selon DeepSeek, ce modèle affiche une nette progression par rapport à V4-Flash sur les benchmarks d’agents multimodaux et offre des performances proches de celles de modèles haut de gamme comme Opus-4.8. Il reste toutefois défini comme un modèle expérimental.