DeepSeek V4 Flash Vision Exp: API, precio y pruebas

22/8/2026

deepseek v4sitio web oficial de deepseekdeepseek multimodalDeepSeek-V4-Flash-Vision-ExpAPI de DeepSeek

Lanzamiento del modelo visual DeepSeek-V4-Flash-Vision-Exp e información de la API

La plataforma de API de DeepSeek ha incorporado un nuevo modelo experimental de comprensión visual: DeepSeek-V4-Flash-Vision-Exp. Este modelo añade la capacidad de procesar imágenes a las funciones de texto, razonamiento y Agent de DeepSeek V4 Flash, permitiendo a las aplicaciones leer directamente capturas de pantalla, gráficos, documentos y estados de interfaz. Para los desarrolladores que buscan una interfaz multimodal de DeepSeek, el punto clave de esta actualización no es simplemente “la capacidad de subir imágenes”, sino que la capacidad visual ya está integrada en la API compatible con OpenAI, la Responses API y la interfaz compatible con Anthropic, lo que permite conectarla con flujos de trabajo existentes.

Este artículo se basa en la documentación de comprensión de imágenes del sitio web oficial de DeepSeek y en la página de precios de modelos oficial, y recopila la posición del modelo, el uso de la API, los precios, los casos de uso y un método de prueba de rendimiento reproducible. No se han conservado los contenidos promocionales, de redirección o irrelevantes de los artículos de referencia; tampoco se especula sobre el codificador visual, los datos de entrenamiento o la escala de parámetros, ya que la información oficial no la ha revelado.

Conclusión preliminar: Si tu sistema ya utiliza deepseek v4 y necesitas leer capturas de pantalla, documentos comunes o gráficos a bajo costo, este modelo merece una prueba con bajo volumen de tráfico. Dado que aún lleva la marca Exp, para tareas que implican texto pequeño, coordenadas precisas o identificación de alto riesgo, es necesario validar primero con tu propio conjunto de datos y mantener una revisión humana o un modelo de respaldo.

Empieza a usar DeepSeek

¿Qué es DeepSeek-V4-Flash-Vision-Exp?

deepseek-v4-flash-vision-exp es un modelo experimental de comprensión visual de DeepSeek disponible a través de la API. Las solicitudes pueden contener simultáneamente texto e imágenes, y el modelo devuelve resultados en texto. No es un modelo de generación de imágenes; su tarea principal es “comprender la imagen y completar el trabajo posterior”, como extraer campos de facturas, explicar tendencias en gráficos, revisar capturas de pantalla de páginas web o continuar flujos de Agent según el estado de la interfaz.

Elemento	Información oficial
ID del modelo en la API	`deepseek-v4-flash-vision-exp`
Entrada / Salida	Entrada de texto e imágenes, salida de texto
Longitud de contexto	1M tokens
Salida máxima	384K tokens
Modo de pensamiento	Soporta modos con y sin pensamiento; el modo de pensamiento está activado por defecto
Interfaz	Chat Completions, Responses API, Mensajes compatibles con Anthropic
Origen de las imágenes	URL pública, URL de datos en Base64, archivos de la Files API
Formatos de imagen	JPEG, PNG, GIF, WebP
Límite de concurrencia	2,500 por cuenta
Completado FIM	No soportado
Estado de publicación	Modelo experimental; se recomienda probar antes de usarlo en producción

Su capacidad de texto puro continúa la línea de V4 Flash, pero conclusiones como “capacidad de texto equivalente” o “rendimiento del Agent multimodal similar al de otros modelos insignia” provienen principalmente de los comunicados oficiales. Antes de su implementación real, es necesario realizar una validación independiente según el tipo de imágenes, el idioma, la resolución y el costo de error de tu negocio.

¿Cómo se llama a la API?

La Base URL de DeepSeek sigue siendo https://api.deepseek.com. Los proyectos que ya utilizan el SDK de OpenAI generalmente solo necesitan reemplazar la API Key, la Base URL y el ID del modelo. Las imágenes deben colocarse en el mensaje del usuario; enviar imágenes en mensajes system o assistant será rechazado.

Método 1: Pasar una URL de imagen pública

Cuando la imagen ya está alojada en un CDN accesible públicamente, el método de URL es el que menos consume el cuerpo de la solicitud. El siguiente ejemplo en Python hace que el modelo lea un gráfico y extraiga tres tendencias:

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": "Lee este gráfico, enumera tres tendencias principales y explica la base."},
             {
                 "type": "image_url",
                 "image_url": {
                     "url": "https://example.com/chart.png",
                     "detail": "original"
                 }
             }
         ]
     }],
)

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

La URL pública tiene una longitud máxima de 8,192 caracteres, el tamaño máximo de una sola imagen es de 32 MiB y la descarga debe completarse en 60 segundos. Para imágenes de red interna, direcciones con autenticación temporal o archivos que no es conveniente hacer públicos, es más adecuado usar Base64 o la Files API.

Método 2: Pasar imágenes locales en Base64

Las imágenes pequeñas de uso único pueden codificarse como data:image/png;base64,... y luego colocarse en image_url.url. Esto no requiere alojamiento público, pero el contenido codificado cuenta hacia el límite de 48 MiB del cuerpo de la solicitud, por lo que no es adecuado para enviar imágenes grandes de forma continua.

Método 3: Usar la Files API

Cuando la misma imagen se referencia múltiples veces o una sola imagen supera los 32 MiB, primero se puede subir a la Files API y luego pasar el file_id en el bloque de contenido. Las imágenes de la Files API pueden alcanzar 64 MiB y también se reduce la carga de subidas repetidas. Los tres métodos solo cambian cómo entra la imagen en la solicitud, no la capacidad visual del modelo en sí.

detail puede establecerse en low, high, original o auto. low escala primero a 512×512, es más rápido y más barato, adecuado para clasificación gruesa; high actualmente es equivalente a original, usado para documentos, capturas de pantalla y gráficos que requieren preservar detalles. En entornos de producción, no se debe establecer siempre el detalle más alto; es más rentable enrutar primero según la granularidad de la tarea.

Precios de la API del modelo visual de DeepSeek

Según la página de precios del sitio web oficial de DeepSeek del 22 de agosto de 2026, Vision Exp y V4 Flash utilizan el mismo precio unitario de tokens de texto. Las imágenes se convierten primero a tokens de entrada según su tamaño y luego se facturan junto con el texto; una sola imagen cuenta como máximo 384 tokens de entrada. DeepSeek oficial adopta precios por horas pico y valle: de 9:00 a 12:00 y de 14:00 a 18:00 (hora de Beijing) son horas pico, y el resto son horas valle.

Concepto de facturación (RMB / millón de tokens)	Horas valle	Horas pico
Entrada: coincidencia en caché	¥0.05	¥0.10
Entrada: sin coincidencia en caché	¥1.50	¥3.00
Salida	¥4.50	¥9.00

Estimación simple: 100 imágenes, incluso si todas se cuentan como 384 tokens, solo suman 38,400 tokens de entrada de imágenes; la factura real también debe incluir el prompt, el contexto y la salida. El uso final debe basarse en el usage devuelto por la API. Los precios pueden ajustarse; antes de implementar, consulta nuevamente el sitio web oficial de DeepSeek para evitar fijar los números de este artículo en el presupuesto de compra.

¿Para qué casos de uso es adecuado?

Casos de uso de comprensión de imágenes y Agent para modelos multimodales de DeepSeek

1. Análisis de capturas de pantalla de páginas web y aplicaciones

El modelo puede resumir la estructura de la página, identificar mensajes de error, verificar el estado de los botones y entregar los resultados de la observación al Agent para que decida el siguiente paso. Es adecuado para pruebas automatizadas, resolución de problemas de atención al cliente y revisiones de backend. Si la tarea implica coordenadas de clic a nivel de píxel, es necesario unificar el escalado de la captura de pantalla, el viewport del navegador y la conversión de coordenadas; no basta con describir en lenguaje natural para hacer clic directamente.

2. Extracción de documentos, tablas y facturas

Para contratos con formato claro, facturas, guías de envío y tablas de negocio, se puede pedir al modelo que salga en campos JSON y luego pasar a la validación de reglas. Los montos clave, documentos de identidad, información médica o legal deben verificarse nuevamente; que la respuesta del modelo visual sea fluida no significa que cada carácter sea preciso.

3. Interpretación de gráficos y resumen de datos

Gráficos de barras, de líneas, paneles de control y capturas de pantalla de operaciones son adecuados para explicar tendencias, descubrir puntos anómalos y resumir indicadores. El prompt debe pedir al modelo que liste “conclusión, evidencia en el gráfico, información que no se puede confirmar”, lo que reduce la escritura que se desvía de la imagen. Cuando se necesitan valores precisos, es preferible pasar la tabla de datos original y usar la imagen solo como apoyo.

4. Agent multimodal y asistencia al desarrollo

El Agent puede leer capturas de pantalla de la terminal, diseños, ventanas de error y resultados de pruebas, y luego llamar a herramientas de búsqueda, código o navegador para continuar el procesamiento. En comparación con el flujo de dos etapas de “primero usar un modelo visual para transcribir y luego entregarlo a deepseek v4 para razonar”, la entrada directa de texto e imagen es más simple y facilita preservar el contexto. Sin embargo, el modelo sigue siendo una versión experimental; antes de llamar a herramientas, se deben añadir validaciones de parámetros y confirmaciones de operaciones de alto riesgo.

Pruebas de rendimiento: ¿cómo probar para que tenga valor de referencia?

Las imágenes de demostración, los prompts y los criterios de evaluación en diferentes artículos no son consistentes; un solo ejemplo que “parece bien” no representa el rendimiento del negocio. Se recomienda realizar una prueba reproducible con imágenes y prompts fijos, y registrar las respuestas originales, en lugar de capturar solo casos de éxito.

Tarea de prueba	Entrada sugerida	Criterio de aprobación	Lugares propensos a errores
OCR / Extracción de campos	10 facturas claras + 10 facturas inclinadas o con poca luz	Coincidencia carácter por carácter de los campos y salida de elementos faltantes	Texto pequeño, reflejos, números similares
Comprensión de gráficos	Gráficos con leyenda, unidades y doble eje	Tendencia correcta y valores localizables en el gráfico	Confusión de doble eje, ejes de coordenadas truncados
Capturas de pantalla de UI	10 de escritorio y 10 de móvil	Identificación completa de componentes, estados y mensajes de error	Contenido plegado, máscaras, iconos pequeños
Relaciones espaciales	Formularios, diagramas de flujo, mapas simples	Relaciones de arriba/abajo/izquierda/derecha y conexiones correctas	Conexiones densas, relaciones entre bloques
Agent multironda	5–10 capturas de pantalla consecutivas de la misma tarea	Estado consistente y no repite acciones completadas	Interferencia de capturas antiguas, acumulación de errores

Al probar, se deben comparar al menos los niveles de detalle low y original. Nuestro método de observación es: primero pedir al modelo que solo haga extracción estructurada y luego pedir explicaciones; si se le pide directamente que “analice y dé sugerencias”, la identificación de hechos y el razonamiento se mezclan, lo que dificulta localizar errores. Para capturas de pantalla claras, gráficos comunes y documentos con formato simple, es adecuado como nodo de procesamiento inicial de bajo costo; para texto pequeño denso, coordenadas precisas, diagramas de ingeniería complejos y tareas de identificación que requieren responsabilidad legal, no se debe implementar basándose solo en una respuesta.

También se deben prestar atención a cuatro indicadores de ingeniería: latencia del primer token, tiempo de solicitud completo, costo por tarea exitosa y tasa de reintento. Un precio de token único barato, si requiere reintentos frecuentes o trabajo manual de rework, puede tener un costo total más alto. Se recomienda extraer primero 50–200 muestras reales, establecer la precisión de los campos y el umbral de fallo, y luego decidir si ampliar el tráfico.

Limitaciones a tener en cuenta al usar

Exp indica una versión experimental; el comportamiento de la interfaz y el rendimiento aún pueden cambiar, por lo que no debe reemplazar incondicionalmente al modelo de producción.
Solo el modelo visual acepta imágenes; enviar imágenes al deepseek-v4-flash normal devolverá un error de que no se soportan imágenes.
En Chat Completions, las imágenes solo pueden aparecer en el mensaje user. Conserva la entrada original y los códigos de error para facilitar la depuración.
Las imágenes pasan por tokenización y escalado; un precio bajo no significa que se conserven todos los píxeles. Para documentos densos, es mejor recortar en bloques y luego identificar cada bloque.
La salida del modelo debe prevenir la inyección de prompts. El texto en capturas de pantalla de páginas web o documentos puede contener instrucciones maliciosas; no se debe permitir que disparen directamente operaciones externas.
Cuando se trate de identidad, finanzas, medicina, seguridad y cumplimiento, se deben añadir validaciones de reglas o revisión humana.

¿Cómo elegir entre DeepSeek V4 Flash y el modelo visual?

Necesidad	Modelo recomendado
Solo texto, código o datos estructurados	`deepseek-v4-flash`
Necesidad de leer imágenes, capturas de pantalla, escaneos o gráficos	`deepseek-v4-flash-vision-exp`
Decisiones visuales de alto riesgo	Prueba piloto de Vision Exp + modelo especializado o revisión humana
Lectura repetida de la misma imagen grande	Vision Exp + Files API

Si la tarea ya tiene una fuente de OCR o datos estructurados confiables, es más estable convertir primero los resultados a texto y luego entregarlos a V4 Flash. Solo cuando la información visual no puede ser extraída por los sistemas existentes, o cuando el Agent debe observar el estado de la interfaz, el valor de Vision Exp es más evidente. Los lectores que se conectan por primera vez a la API de DeepSeek también pueden consultar primero la Guía de uso de DeepSeek y la Guía de entrada al sitio web oficial de DeepSeek de este sitio, y luego decidir si usar el modelo de texto o el modelo visual según la tarea.

Conclusión

DeepSeek-V4-Flash-Vision-Exp ha llevado la capacidad multimodal de DeepSeek a una API que los desarrolladores pueden llamar directamente: el método de integración es compatible con los SDK principales, soporta URL, Base64 y Files API, y el límite de tokens de imagen tiene el mismo precio que V4 Flash, lo que ofrece una nueva opción de bajo costo para el análisis de capturas de pantalla, la extracción de documentos, la interpretación de gráficos y los Agent visuales.

Su posición más adecuada en este momento es “un nodo de trabajo visual verificable y reversible”, no una solución universal de reconocimiento de imágenes que no requiere pruebas. Primero establece una línea base con muestras reales, verifica la precisión, la latencia, los reintentos y el costo total, y luego amplía gradualmente el alcance de uso; las conclusiones obtenidas serán más confiables que una sola demostración.