DeepSeek V4 Flash Vision Exp : API, prix et tests

22/08/2026

deepseek v4site officiel deepseekdeepseek multimodalDeepSeek-V4-Flash-Vision-ExpAPI DeepSeek

Sortie du modèle visuel DeepSeek-V4-Flash-Vision-Exp et informations API

La plateforme API de DeepSeek intègre un nouveau modèle expérimental de compréhension visuelle : DeepSeek-V4-Flash-Vision-Exp. Il ajoute la prise en charge des images aux capacités textuelles, de raisonnement et d’Agent de DeepSeek V4 Flash, permettant aux applications de lire directement des captures d’écran, des graphiques, des documents et des états d’interface. Pour les développeurs à la recherche d’une interface multimodale DeepSeek, l’essentiel de cette mise à jour ne se limite pas à la simple possibilité d’uploader des images : les capacités visuelles sont désormais intégrées à l’API compatible OpenAI, à la Responses API et à l’interface compatible Anthropic, ce qui permet de les brancher sur des flux de travail existants.

Cet article s’appuie sur la documentation de compréhension d’image du site officiel DeepSeek et sur la page des tarifs des modèles, afin de synthétiser la position du modèle, l’usage de l’API, les tarifs, les cas d’usage et une méthode de test reproductible. Les éléments promotionnels, les redirections et les contenus sans rapport présents dans les articles de référence ont été omis ; les encodeurs visuels, les données d’entraînement et l’échelle des paramètres, non encore divulgués par l’éditeur, ne font l’objet d’aucune spéculation.

En résumé : Si votre système utilise déjà deepseek v4 et que vous avez besoin de lire à moindre coût des captures d’écran, des documents courants ou des graphiques, ce modèle mérite d’être testé à petite échelle. Il porte encore la mention Exp ; pour les tâches impliquant de petits caractères, des coordonnées précises ou des identifications à haut risque, il convient de valider d’abord sur votre propre jeu de données et de conserver une relecture humaine ou un modèle de secours.

Commencer à utiliser DeepSeek

Qu’est-ce que DeepSeek-V4-Flash-Vision-Exp

deepseek-v4-flash-vision-exp est un modèle expérimental de compréhension visuelle ouvert via l’API par DeepSeek. Les requêtes peuvent contenir simultanément du texte et des images, et le modèle renvoie un résultat textuel. Il ne s’agit pas d’un modèle de génération d’images ; sa tâche principale est de « comprendre l’image et poursuivre le travail », par exemple extraire les champs d’un reçu, expliquer les tendances d’un graphique, vérifier une capture d’écran de site web, ou poursuivre un flux Agent en fonction de l’état de l’interface.

Élément	Informations officielles
ID du modèle API	`deepseek-v4-flash-vision-exp`
Entrée / Sortie	Entrée texte et image, sortie texte
Longueur du contexte	1M tokens
Sortie maximale	384K tokens
Mode de réflexion	Prise en charge des modes avec et sans réflexion, réflexion activée par défaut
Interfaces	Chat Completions, Responses API, Messages compatible Anthropic
Sources d’images	URL publique, data URL en Base64, fichiers via Files API
Formats d’images	JPEG, PNG, GIF, WebP
Limite de concurrence	2 500 par compte
Complétion FIM	Non pris en charge
Statut de publication	Modèle expérimental, test recommandé avant usage en production

Ses capacités textuelles pures prolongent la voie de V4 Flash, mais des conclusions telles que « les capacités textuelles sont au même niveau » ou « les performances multimodales de l’Agent s’approchent de celles d’autres modèles phares » proviennent principalement des communiqués de l’éditeur. Avant une mise en production réelle, il reste nécessaire de réaliser une validation indépendante selon les types d’images, les langues, les résolutions et le coût des erreurs propres à votre activité.

Comment appeler l’API

Le Base URL de DeepSeek reste https://api.deepseek.com. Les projets utilisant déjà le SDK OpenAI n’ont généralement besoin que de remplacer la clé API, le Base URL et l’ID du modèle. Les images doivent être placées dans les messages utilisateur ; envoyer une image dans un message system ou assistant sera refusé.

Méthode 1 : Passer une URL d’image publique

Lorsque l’image est déjà hébergée sur un CDN accessible publiquement, la méthode par URL réduit le plus la taille du corps de requête. L’exemple Python ci-dessous demande au modèle de lire un graphique et d’en extraire trois tendances :

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": "Lisez ce graphique, listez les trois tendances principales et justifiez-les."},
             {
                 "type": "image_url",
                 "image_url": {
                     "url": "https://example.com/chart.png",
                     "detail": "original"
                 }
             }
         ]
     }],
)

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

L’URL publique peut contenir au maximum 8 192 caractères, une image ne peut dépasser 32 MiB, et le téléchargement doit s’achever en moins de 60 secondes. Pour les images en intranet, les adresses avec authentification temporaire ou les fichiers difficiles à rendre publics, le Base64 ou la Files API sont plus adaptés.

Méthode 2 : Passer une image locale en Base64

Les petites images à usage ponctuel peuvent être encodées en data:image/png;base64,..., puis insérées dans image_url.url. Cela évite l’hébergement public, mais le contenu encodé compte dans la limite de 48 MiB du corps de requête, ce qui ne convient pas à l’envoi continu de grandes images.

Méthode 3 : Utiliser la Files API

Lorsqu’une même image est référencée à plusieurs reprises, ou qu’une image dépasse 32 MiB, il est possible de l’uploader d’abord sur la Files API, puis de passer file_id dans le bloc de contenu. Les images via la Files API peuvent atteindre 64 MiB, ce qui réduit aussi les uploads répétés. Ces trois méthodes ne modifient que la manière dont l’image entre dans la requête, sans changer les capacités visuelles du modèle lui-même.

Le paramètre detail peut prendre les valeurs low, high, original ou auto. low redimensionne d’abord l’image à 512×512, ce qui est plus rapide et moins coûteux, adapté au tri grossier ; high est actuellement équivalent à original, destiné aux documents, captures et graphiques nécessitant la préservation des détails. En production, il ne faut pas tout régler au détail maximum ; il est plus économique de router d’abord selon la granularité de la tâche.

Tarifs de l’API du modèle visuel DeepSeek

Selon la page des tarifs du site officiel DeepSeek au 22 août 2026, Vision Exp et V4 Flash appliquent le même tarif unitaire par token texte. Les images sont d’abord converties en tokens d’entrée selon leur taille, puis facturées avec le texte ; une image compte au maximum 384 tokens d’entrée. L’éditeur applique des tarifs différenciés par paliers : les heures de pointe sont 9 h 00–12 h 00 et 14 h 00–18 h 00 (heure de Pékin), le reste étant en heures creuses.

Poste de facturation (yuan / million de tokens)	Heures creuses	Heures de pointe
Entrée : cache atteint	¥0,05	¥0,10
Entrée : cache non atteint	¥1,50	¥3,00
Sortie	¥4,50	¥9,00

Estimation simple : 100 images, même toutes comptées à 384 tokens, ne représentent que 38 400 tokens d’entrée image ; la facture réelle inclut aussi le prompt, le contexte et la sortie. La consommation finale doit se baser sur le champ usage renvoyé par l’API. Les tarifs peuvent évoluer ; avant déploiement, consultez à nouveau le site officiel DeepSeek pour ne pas figer les chiffres de cet article dans un budget d’achat.

Cas d’usage adaptés

Cas d'usage de compréhension d'image et d'Agent pour un modèle multimodal DeepSeek

1. Analyse de captures d’écran de sites web et d’applications

Le modèle peut résumer la structure d’une page, identifier les messages d’erreur, vérifier l’état des boutons, et transmettre ses observations à un Agent pour décider de la suite. Il convient aux tests automatisés, au dépannage du support client et aux inspections d’administration. Si la tâche implique des coordonnées de clic au niveau du pixel, il faut unifier le redimensionnement de la capture, le viewport du navigateur et la conversion de coordonnées ; il ne suffit pas de cliquer à partir d’une description en langage naturel.

2. Extraction de documents, tableaux et reçus

Pour les premières pages de contrats au format clair, les factures, les bordereaux de livraison et les tableaux métier, on peut demander au modèle de produire une sortie par champs JSON, puis de la soumettre à une validation par règles. Les montants clés, les pièces d’identité, les informations médicales ou juridiques doivent être vérifiés une seconde fois ; une réponse fluide d’un modèle visuel ne signifie pas que chaque caractère est exact.

3. Interprétation de graphiques et synthèse de données

Les histogrammes, courbes, tableaux de bord et captures d’exploitation conviennent à l’explication de tendances, à la détection d’anomalies et à la synthèse d’indicateurs. Le prompt doit demander au modèle de lister « conclusion, preuves dans l’image, informations non confirmables », ce qui réduit les compléments déconnectés de l’image. Pour des valeurs précises, il est préférable de transmettre le tableau de données d’origine, l’image ne servant qu’en appui.

4. Agent multimodal et aide au développement

Un Agent peut lire des captures de terminal, des maquettes, des fenêtres d’erreur et des résultats de test, puis appeler des outils de recherche, de code ou de navigateur pour poursuivre le traitement. Par rapport à un flux en deux étapes « transcrire d’abord avec un modèle visuel, puis raisonner avec deepseek v4 », l’entrée directe texte-image est plus simple et conserve mieux le contexte. Toutefois, le modèle restant expérimental, il convient d’ajouter une validation des paramètres et une confirmation des opérations à haut risque avant l’appel d’outils.

Tests pratiques : comment obtenir des résultats exploitables

Les images de démonstration, les prompts et les critères de notation varient d’un article à l’autre ; un exemple isolé « qui a bonne allure » ne représente pas l’effet en production. Nous recommandons de réaliser un test reproductible avec des images et des prompts fixes, et d’enregistrer les réponses brutes, plutôt que de ne retenir que les cas réussis.

Tâche de test	Entrée recommandée	Critère de réussite	Points sensibles
OCR / extraction de champs	10 reçus nets + 10 reçus inclinés ou en faible lumière	Correspondance exacte des champs, avec liste des éléments manquants	Petits caractères, reflets, chiffres proches
Compréhension de graphiques	Graphiques avec légende, unités et double axe	Tendances correctes, valeurs localisables dans le graphique	Confusion des doubles axes, axes tronqués
Captures d’interface	10 captures bureau et 10 captures mobile	Identification complète des composants, états et messages d’erreur	Contenu replié, masques, petites icônes
Relations spatiales	Formulaires, diagrammes de flux, cartes simples	Relations haut/bas/gauche/droite et connexions correctes	Connexions denses, relations inter-blocs
Agent multi-tours	5 à 10 captures successives de la même tâche	Cohérence d’état continue, absence de répétition d’actions déjà effectuées	Interférence des anciennes captures, accumulation d’erreurs

Lors des tests, comparez au moins les niveaux de détail low et original. Notre méthode d’observation consiste d’abord à demander au modèle une extraction structurée, puis une explication ; si on lui demande directement d’« analyser et donner des conseils », l’identification factuelle et le raisonnement se mélangent, ce qui rend difficile la localisation des erreurs. Pour des captures nettes, des graphiques courants et des documents au format simple, il convient comme premier nœud de traitement à faible coût ; pour des petits caractères denses, des coordonnées précises, des schémas techniques complexes ou des tâches d’identification engageant une responsabilité juridique, une seule réponse ne suffit pas pour une mise en production.

Il faut aussi suivre quatre indicateurs techniques : latence du premier token, durée totale de la requête, coût par tâche réussie, taux de réessai. Un prix unitaire bas par token peut mener à un coût total plus élevé si des réessais fréquents ou des retouches manuelles sont nécessaires. Il est conseillé de prélever d’abord 50 à 200 échantillons réels, de définir un taux d’exactitude par champ et un seuil d’échec, avant de décider d’augmenter le trafic.

Limites à prendre en compte

Exp indique une version expérimentale ; le comportement de l’interface et les effets peuvent encore évoluer, et le modèle ne doit pas remplacer sans condition un modèle de production.
Seuls les modèles visuels acceptent les images ; envoyer une image à deepseek-v4-flash standard renverra une erreur d’absence de prise en charge des images.
Dans Chat Completions, les images ne peuvent apparaître que dans les messages user. Conservez les entrées brutes et les codes d’erreur pour faciliter le diagnostic.
Les images sont tokenisées et redimensionnées ; un prix bas ne signifie pas la préservation de tous les pixels. Pour des documents denses, il est possible de découper en blocs avant reconnaissance bloc par bloc.
Les sorties du modèle doivent être protégées contre l’injection de prompt. Le texte dans une capture de site web ou un document peut contenir des instructions malveillantes ; ne les laissez pas déclencher directement des opérations externes.
Pour les décisions impliquant l’identité, les finances, la santé, la sécurité ou la conformité, une validation par règles ou une relecture humaine est obligatoire.

Comment choisir par rapport à DeepSeek V4 Flash standard

Besoin	Modèle recommandé
Texte, code ou données structurées uniquement	`deepseek-v4-flash`
Lecture d’images, captures, scans ou graphiques	`deepseek-v4-flash-vision-exp`
Décisions visuelles à haut risque	Pilote Vision Exp + modèle dédié ou relecture humaine
Lecture répétée d’une même grande image	Vision Exp + Files API

Si la tâche dispose déjà d’une source OCR ou de données structurées fiables, il est généralement plus stable de convertir d’abord le résultat en texte avant de le passer à V4 Flash. La valeur de Vision Exp n’apparaît que lorsque l’information visuelle ne peut être extraite par les systèmes existants, ou qu’un Agent doit observer l’état d’une interface. Pour les lecteurs qui intègrent l’API DeepSeek pour la première fois, il est possible de consulter d’abord le guide d’utilisation DeepSeek et la présentation de l’entrée du site officiel DeepSeek, puis de choisir un modèle texte ou visuel selon la tâche.

Conclusion

DeepSeek-V4-Flash-Vision-Exp fait entrer les capacités multimodales de DeepSeek dans une API directement appelable par les développeurs : l’intégration est compatible avec les SDK courants, les entrées par URL, Base64 et Files API sont prises en charge, et le plafond de tokens d’image est au même tarif que V4 Flash, offrant une nouvelle option à coût réduit pour l’analyse de captures, l’extraction de documents, l’interprétation de graphiques et les Agents visuels.

Sa position la plus adaptée pour l’instant est celle d’un « nœud de travail visuel vérifiable et réversible », et non d’une solution universelle de reconnaissance d’image sans test. Établir d’abord une base avec des échantillons réels, vérifier l’exactitude, la latence, les réessais et le coût total, puis élargir progressivement le périmètre d’usage, donnera des conclusions plus fiables qu’une démonstration isolée.