DeepSeek V4 Flash Vision Exp: API, Preise & Test

Die DeepSeek API-Plattform hat ein experimentelles Modell zur visuellen Verarbeitung hinzugefügt: DeepSeek-V4-Flash-Vision-Exp. Es erweitert die Text-, Reasoning- und Agent-Fähigkeiten von DeepSeek V4 Flash um die Bildverarbeitung, sodass Anwendungen Screenshots, Diagramme, Dokumente und Benutzeroberflächen (UIs) direkt auslesen können. Für Entwickler, die nach einer DeepSeek-Multimodal-Schnittstelle gesucht haben, liegt der Fokus dieser Aktualisierung nicht nur auf der Möglichkeit, Bilder hochzuladen, sondern darauf, dass die visuellen Fähigkeiten nun in die OpenAI-kompatible API, die Responses API und die Anthropic-kompatible Schnittstelle integriert sind und in bestehende Workflows eingebunden werden können.

Dieser Artikel basiert auf der DeepSeek-Offiziellen Dokumentation zur Bildverarbeitung und der offiziellen Preisseite. Er fasst die Positionierung des Modells, die API-Nutzung, die Preise, die Anwendungsfälle und eine reproduzierbare Testmethode zusammen. Werbung, Weiterleitungen und irrelevante Inhalte aus Referenzartikeln wurden entfernt; zu den visuellen Encodern, Trainingsdaten und der Parametergöße, die offiziell noch nicht veröffentlicht wurden, werden keine Spekulationen angestellt.

Fazit vorab: Wenn Ihr System bereits deepseek v4 nutzt und Sie Screenshots, einfache Dokumente oder Diagramme kostengünstig verarbeiten möchten, ist dieses Modell für einen kleinen Testlauf geeignet. Da es das Exp-Label trägt, sollten Sie für Aufgaben mit feiner Schrift, präzisen Koordinaten oder hochriskanter Erkennung zunächst mit eigenen Datensätzen testen und manuelle Prüfungen oder ein Backup-Modell vorsehen.

Was ist DeepSeek-V4-Flash-Vision-Exp

deepseek-v4-flash-vision-exp ist ein experimentelles Modell zur visuellen Verarbeitung, das DeepSeek über die API anbietet. Anfragen können gleichzeitig Text und Bilder enthalten; das Modell gibt Text zurück. Es ist kein Bildgenerierungsmodell. Die Hauptaufgabe besteht darin, „Bilder zu verstehen und nachfolgende Aufgaben zu erledigen“, wie z. B. das Extrahieren von Feldern aus Rechnungen, das Erklären von Trends in Diagrammen, das Prüfen von Web-Screenshots oder das Fortsetzen von Agent-Workflows basierend auf dem UI-Zustand.

Aspekt	Offizielle Informationen
API-Modell-ID	deepseek-v4-flash-vision-exp
Eingabe / Ausgabe	Text- und Bildeingabe, Textausgabe
Kontextlänge	1M tokens
Maximale Ausgabe	384K tokens
Denkmodus	Unterstützt Denk- und Nicht-Denkmodus, Standardmäßig ist der Denkmodus aktiviert
Schnittstellen	Chat Completions, Responses API, Anthropic-kompatible Messages
Bildquellen	Öffentliche URL, Base64 Data URL, Files API-Dateien
Bildformate	JPEG, PNG, GIF, WebP
Concurrent-Limit	2.500 pro Konto
FIM-Vervollständigung	Nicht unterstützt
Status	Experimentelles Modell, Testen vor dem Produktiveinsatz empfohlen

Die reinen Textfähigkeiten setzen die V4-Flash-Linie fort. Aussagen wie „gleiche Textfähigkeiten“ oder „Multimodal-Agent-Leistung vergleichbar mit anderen Flaggschiff-Modellen“ stammen jedoch hauptsächlich aus offiziellen Verlautbarungen. Vor dem produktiven Einsatz sollte eine unabhängige Validierung anhand der eigenen Bildtypen, Sprachen, Auflösungen und Fehlerkosten durchgeführt werden.

API-Aufruf

Die Base URL von DeepSeek bleibt https://api.deepseek.com. Bestehende Projekte mit dem OpenAI SDK müssen in der Regel nur den API-Key, die Base URL und die Modell-ID ersetzen. Bilder müssen in der User-Nachricht platziert werden; das Senden von Bildern in system- oder assistant-Nachrichten wird abgelehnt.

Methode 1: Übergeben einer öffentlichen Bild-URL

Wenn das Bild bereits auf einem öffentlich zugänglichen CDN liegt, ist die URL-Methode am effizientesten für die Request-Größe. Das folgende Python-Beispiel lässt das Modell ein Diagramm lesen und drei Trends extrahieren:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[{
         "role": "user",
         "content": [
             {"type": "text", "text": "Lies dieses Diagramm, liste drei Haupttrends auf und erkläre die Grundlage."},
             {
                 "type": "image_url",
                 "image_url": {
                     "url": "https://example.com/chart.png",
                     "detail": "original"
                 }
             }
         ]
     }],
)

print(response.choices[0].message.content)

Öffentliche URLs dürfen maximal 8.192 Zeichen lang sein, ein einzelnes Bild maximal 32 MiB groß, und der Download muss innerhalb von 60 Sekunden abgeschlossen sein. Für interne Bilder, Adressen mit temporärer Authentifizierung oder Dateien, die nicht öffentlich zugänglich sein sollten, eignen sich Base64 oder die Files API besser.

Methode 2: Lokale Bilder per Base64

Kleine Bilder für einmalige Nutzung können als data:image/png;base64,... kodiert und in image_url.url eingefügt werden. So ist keine öffentliche Bereitstellung nötig, aber der kodierte Inhalt zählt zum 48-MiB-Limit der Request-Größe. Dies eignet sich nicht für das kontinuierliche Senden großer Bilder.

Methode 3: Nutzung der Files API

Wenn dasselbe Bild mehrfach referenziert wird oder ein einzelnes Bild größer als 32 MiB ist, kann es zunächst in die Files API hochgeladen und dann als file_id im Content-Block übergeben werden. Die Files API unterstützt Bilder bis zu 64 MiB und reduziert redundante Uploads. Alle drei Methoden ändern nur, wie das Bild in die Anfrage gelangt, nicht aber die visuellen Fähigkeiten des Modells selbst.

detail kann auf low, high, original oder auto gesetzt werden. low skaliert zunächst auf 512×512, ist schneller und günstiger und eignet sich für grobe Klassifizierung. high ist derzeit gleichbedeutend mit original und wird für Dokumente, Screenshots und Diagramme verwendet, bei denen Details erhalten bleiben müssen. In der Produktion sollte nicht pauschal die höchste Detailstufe verwendet werden; eine Aufteilung nach Aufgabenkategorie ist oft kostengünstiger.

Preise der DeepSeek Vision API

Laut der Preisseite der DeepSeek-Website vom 22. August 2026 nutzen Vision Exp und V4 Flash denselben Text-Token-Tarif. Bilder werden zunächst anhand ihrer Größe in Input-Tokens umgerechnet und dann gemeinsam mit dem Text abgerechnet; ein einzelnes Bild wird maximal mit 384 Input-Tokens berechnet. DeepSeek nutzt ein Tarifsystem mit Spitzen- und Nebenzeiten. Die Spitzenzeiten sind 9:00–12:00 und 14:00–18:00 (Beijing Time), alle anderen Zeiten sind Nebenzeiten.

Abrechnungsposition (RMB / Mio. tokens)	Nebenzeiten	Spitzenzeiten
Input: Cache-Treffer	¥0,05	¥0,10
Input: Cache-Fehlgriff	¥1,50	¥3,00
Output	¥4,50	¥9,00

Grobe Schätzung: 100 Bilder, selbst wenn alle mit 384 Tokens berechnet werden, ergeben nur 38.400 Bild-Input-Tokens. Die tatsächliche Rechnung umfasst zusätzlich Prompts, Kontext und Output. Die endgültige Nutzung sollte anhand des usage-Feldes in der API-Antwort ermittelt werden. Preise können sich ändern; bitte prüfen Sie vor der Implementierung erneut die DeepSeek-Website, um diese Zahlen nicht starr in Ihr Budget einzuplanen.

Geeignete Anwendungsfälle

1. Analyse von Web- und App-Screenshots

Das Modell kann Seitenstrukturen zusammenfassen, Fehlermeldungen erkennen, Button-Zustände prüfen und die Beobachtungen an einen Agent übergeben, der den nächsten Schritt entscheidet. Es eignet sich für automatisierte Tests, Support-Fehlerbehebung und Backend-Inspektionen. Wenn die Aufgabe pixelgenaue Klickkoordinaten erfordert, sollten Screenshots, Browser-Viewport und Koordinatentransformation vereinheitlicht werden; ein direktes Klicken basierend auf natürlicher Sprachbeschreibung ist nicht ausreichend.

2. Extraktion aus Dokumenten, Tabellen und Belegen

Für klar formatierte Vertragsseiten, Rechnungen, Sendungsverfolgungen und Geschäftstabellen kann das Modell die Ausgabe in JSON-Felder formatieren, die dann einer Regelprüfung unterzogen werden. Wichtige Beträge, Ausweisdokumente, medizinische oder rechtliche Informationen müssen doppelt geprüft werden; eine flüssige Antwort des visuellen Modells bedeutet nicht, dass jedes Zeichen korrekt ist.

3. Diagramminterpretation und Datenzusammenfassung

Balken-, Linien- und Kreisdiagramme sowie operative Screenshots eignen sich für Trendbeschreibungen, Anomalieerkennung und Kennzahlzusammenfassungen. Der Prompt sollte das Modell auffordern, „Fazit, Beweise im Bild, nicht bestätigbare Informationen“ aufzulisten, um das Hinzufügen von Informationen abseits des Bildes zu reduzieren. Wenn präzise Werte benötigt werden, sollte die Rohdatentabelle priorisiert werden; das Bild dient nur als Unterstützung.

4. Multimodal-Agenten und Entwicklungshilfe

Agenten können Terminal-Screenshots, Designentwürfe, Fehlerdialoge und Testergebnisse lesen und dann Such-, Code- oder Browser-Tools aufrufen, um die Verarbeitung fortzusetzen. Im Vergleich zu einem zweistufigen Prozess („erst ein visuelles Modell zur Transkription, dann deepseek v4 für Reasoning“) ist die direkte Bild-Text-Eingabe einfacher und erhält den Kontext besser. Da das Modell jedoch experimentell ist, sollten vor Tool-Aufrufen Parameterprüfungen und Bestätigungen für hochriskante Operationen hinzugefügt werden.

Testergebnisse: Wie man aussagekräftig testet

Die Demonstrationsbilder, Prompts und Bewertungskriterien in verschiedenen Artikeln sind nicht einheitlich; ein einzelnes „gutes“ Beispiel repräsentiert nicht die Geschäftsergebnisse. Wir empfehlen einen reproduzierbaren Test mit festen Bildern und Prompts und die Aufzeichnung der Rohantworten, nicht nur das Auswählen von Erfolgsfällen.

Testaufgabe	Empfohlene Eingabe	Bestehenskriterium	Häufige Fehlerquellen
OCR / Feldextraktion	10 klare Belege + 10 schräge oder dunkle Belege	Felder wortgenau, fehlende Felder ausgegeben	Kleine Schrift, Reflexionen, ähnliche Ziffern
Diagrammverständnis	Diagramme mit Legende, Einheiten und Doppelachsen	Korrekte Trends, Werte im Bild lokalisierbar	Doppelachsen-Verwechslung, abgeschnittene Achsen
UI-Screenshots	10 Desktop- und 10 Mobile-Screenshots	Komponenten, Zustände, Fehlermeldungen vollständig erkannt	Eingeklappte Inhalte, Overlays, kleine Icons
Räumliche Beziehungen	Formulare, Flussdiagramme, einfache Karten	Oben/unten/links/rechts und Verbindungen korrekt	Dichte Verbindungen, Beziehungen über Blöcke hinweg
Mehrstufiger Agent	5–10 aufeinanderfolgende Screenshots derselben Aufgabe	Zustände konsistent, keine Wiederholung abgeschlossener Aktionen	Störung durch alte Screenshots, Fehlerakkumulation

Beim Testen sollten mindestens die Detailstufen low und original verglichen werden. Unsere Beobachtungsmethode: Zuerst nur strukturierte Extraktion, dann Erklärungen anfordern. Wenn direkt „analysieren und Empfehlungen geben“ verlangt wird, vermischen sich Faktenerkennung und Reasoning, was die Fehlerlokalisierung erschwert. Für klare Screenshots, gängige Diagramme und einfach formatierte Dokumente eignet es sich als kostengünstiger erster Verarbeitungsschritt. Für dichte kleine Schrift, präzise Koordinaten, komplexe technische Zeichnungen und rechtlich relevante Erkennungsaufgaben reicht eine einzelne Antwort nicht für den Produktiveinsatz.

Vier Engineering-Metriken sind wichtig: Latenz des ersten Tokens, Gesamtzeit der Anfrage, Kosten pro erfolgreicher Aufgabe, Wiederholungsrate. Ein günstiger Token-Preis kann durch häufige Wiederholungen oder manuelle Nacharbeit zu höheren Gesamtkosten führen. Es wird empfohlen, zunächst 50–200 echte Stichproben zu nehmen, Feldgenauigkeit und Fehlergrenzen zu setzen, bevor der Traffic erhöht wird.

Einschränkungen bei der Nutzung

• Exp steht für experimentelle Version; API-Verhalten und Ergebnisse können sich ändern. Es sollte nicht bedingungslos ein Produktionsmodell ersetzen.
• Nur das Vision-Modell akzeptiert Bilder; das Senden von Bildern an das reguläre deepseek-v4-flash führt zu einem Fehler.
• In Chat Completions dürfen Bilder nur in user-Nachrichten vorkommen. Rohdaten und Fehlercodes sollten zur Fehlersuche aufbewahrt werden.
• Bilder werden tokenisiert und skaliert; ein niedriger Preis bedeutet nicht, dass alle Pixel erhalten bleiben. Dichte Dokumente können vorab in Blöcke geschnitten und einzeln erkannt werden.
• Modell-Output muss vor Prompt-Injection geschützt werden. Text in Web-Screenshots oder Dokumenten kann bösartige Anweisungen enthalten; diese sollten keine externen Aktionen auslösen.
• Bei Entscheidungen zu Identität, Finanzen, Medizin, Sicherheit und Compliance müssen Regelprüfungen oder manuelle Überprüfungen hinzugefügt werden.

Auswahl zwischen DeepSeek V4 Flash und dem Vision-Modell

Anforderung	Empfohlenes Modell
Nur Text, Code oder strukturierte Daten	deepseek-v4-flash
Lesen von Bildern, Screenshots, Scans oder Diagrammen	deepseek-v4-flash-vision-exp
Hochriskante visuelle Entscheidungen	Vision Exp Pilot + spezialisiertes Modell oder manuelle Prüfung
Wiederholtes Lesen desselben großen Bildes	Vision Exp + Files API

Wenn die Aufgabe bereits eine zuverlässige OCR- oder strukturierte Datenquelle hat, ist es in der Regel stabiler, die Ergebnisse in Text umzuwandeln und an V4 Flash zu übergeben. Der Wert von Vision Exp zeigt sich nur, wenn visuelle Informationen nicht von bestehenden Systemen extrahiert werden können oder ein Agent den UI-Zustand beobachten muss. Leser, die DeepSeek API zum ersten Mal nutzen, können zunächst den DeepSeek-Anleitung und die DeepSeek-Offizielle-Website-Einführung auf dieser Seite lesen, bevor sie entscheiden, ob ein Text- oder Vision-Modell verwendet wird.

Zusammenfassung

DeepSeek-V4-Flash-Vision-Exp bringt DeepSeek-Multimodal-Fähigkeiten in eine direkt aufrufbare API für Entwickler: Die Integration ist mit gängigen SDKs kompatibel, unterstützt URL, Base64 und Files API, und die Bild-Token-Grenze ist preislich mit V4 Flash gleich. Dies bietet eine kostengünstigere Option für Screenshot-Analyse, Dokumentextraktion, Diagramminterpretation und visuelle Agenten.

Die aktuell beste Positionierung ist ein „verifizierbarer, reversibler visueller Verarbeitungsknoten“, nicht ein universelles Erkennungswerkzeug ohne Test. Zuerst mit echten Stichproben eine Basislinie erstellen, Genauigkeit, Latenz, Wiederholungen und Gesamtkosten prüfen, und dann schrittweise den Anwendungsbereich erweitern, liefert zuverlässigere Ergebnisse als eine einzelne Demonstration.