DeepSeek V4 Flash Vision Exp: API, preço e testes

22/08/2026

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

Lançamento do modelo de visão DeepSeek-V4-Flash-Vision-Exp e informações da API

A plataforma de API do DeepSeek adicionou o modelo experimental de compreensão visual DeepSeek-V4-Flash-Vision-Exp. Ele incorpora a entrada de imagens às capacidades de texto, raciocínio e Agent do DeepSeek V4 Flash, permitindo que as aplicações leiam diretamente capturas de tela, gráficos, documentos e estados de interface. Para os desenvolvedores que procuram uma interface multimodal do DeepSeek, o foco desta atualização não é apenas a capacidade de “carregar imagens”, mas sim o fato de que a capacidade visual já está integrada à API compatível com OpenAI, à Responses API e à interface compatível com Anthropic, podendo ser conectada a fluxos de trabalho existentes.

Este artigo baseia-se na documentação de compreensão de imagem do site oficial do DeepSeek e na página de preços de modelos oficial, organizando a posição do modelo, o uso da API, os preços, os cenários de uso e um método de teste de desempenho reproduzível. Conteúdos promocionais, links de redirecionamento e informações irrelevantes dos artigos de referência não foram incluídos; além disso, não há especulações sobre o codificador visual, os dados de treinamento e a escala de parâmetros, que ainda não foram divulgados oficialmente.

Conclusão direta: Se o seu sistema já utiliza o deepseek v4 e precisa ler capturas de tela, documentos comuns ou gráficos a baixo custo, este modelo vale a pena para testes em pequena escala. Ele ainda possui a marcação Exp, portanto, para tarefas que envolvem texto pequeno, coordenadas precisas ou reconhecimento de alto risco, é recomendável validar com seu próprio conjunto de dados e manter uma revisão humana ou um modelo de backup.

Comece a usar o DeepSeek

O que é o DeepSeek-V4-Flash-Vision-Exp

deepseek-v4-flash-vision-exp é um modelo experimental de compreensão visual aberto via API pelo DeepSeek. As requisições podem conter simultaneamente texto e imagens, e o modelo retorna resultados em texto. Ele não é um modelo de geração de imagens; sua principal tarefa é “compreender a imagem e executar as etapas subsequentes”, como extrair campos de recibos, explicar tendências em gráficos, verificar capturas de tela de páginas web e continuar o fluxo de um Agent com base no estado da interface.

Item	Informação oficial
ID do modelo na API	`deepseek-v4-flash-vision-exp`
Entrada / Saída	Entrada de texto e imagem, saída de texto
Comprimento do contexto	1M tokens
Saída máxima	384K tokens
Modo de raciocínio	Suporta modos com e sem raciocínio; o raciocínio está ativado por padrão
Interfaces	Chat Completions, Responses API, Mensagens compatíveis com Anthropic
Origem da imagem	URL pública, data URL em Base64, arquivo via Files API
Formatos de imagem	JPEG, PNG, GIF, WebP
Limite de concorrência	2.500 por conta
Completamento FIM	Não suportado
Status de lançamento	Modelo experimental; recomenda-se testar antes de usar em produção

Suas capacidades puramente de texto seguem a linha do V4 Flash, mas conclusões como “capacidade de texto equivalente” e “desempenho de Agent multimodal próximo ao de outros modelos de ponta” provêm principalmente das declarações oficiais de lançamento. Antes da implantação real, ainda é necessário realizar verificações independentes com base no tipo de imagem, idioma, resolução e custo de erro do seu negócio.

Como chamar a API

A Base URL do DeepSeek continua sendo https://api.deepseek.com. Projetos que já utilizam o SDK do OpenAI geralmente precisam apenas substituir a API Key, a Base URL e o ID do modelo. As imagens devem ser incluídas na mensagem do usuário; enviar imagens em mensagens system ou assistant resultará em erro.

Método 1: Enviar URL de imagem pública

Quando a imagem já está hospedada em um CDN de acesso público, o método de URL é o mais eficiente em termos de tamanho da requisição. O exemplo em Python abaixo faz o modelo ler um gráfico e extrair três tendências:

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": "Leia este gráfico, liste as três principais tendências e explique a base para cada uma."},
             {
                 "type": "image_url",
                 "image_url": {
                     "url": "https://example.com/chart.png",
                     "detail": "original"
                 }
             }
         ]
     }],
)

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

A URL pública pode ter no máximo 8.192 caracteres, cada imagem pode ter no máximo 32 MiB e o download deve ser concluído em 60 segundos. Para imagens de rede interna, endereços com autenticação temporária ou arquivos que não devem ser públicos, o Base64 ou a Files API são mais adequados.

Método 2: Enviar imagem local via Base64

Imagens pequenas de uso único podem ser codificadas como data:image/png;base64,... e inseridas em image_url.url. Isso evita a necessidade de hospedagem pública, mas o conteúdo codificado conta para o limite de 48 MiB do corpo da requisição, sendo inadequado para o envio contínuo de imagens grandes.

Método 3: Usar a Files API

Quando a mesma imagem é referenciada várias vezes ou quando uma única imagem excede 32 MiB, é possível primeiro enviá-la à Files API e, em seguida, passar o file_id no bloco de conteúdo. A Files API suporta imagens de até 64 MiB e também reduz uploads repetidos. Os três métodos alteram apenas a forma como a imagem entra na requisição, sem afetar a capacidade visual do modelo em si.

O parâmetro detail pode ser definido como low, high, original ou auto. low reduz a imagem para 512×512 antes do processamento, oferecendo maior velocidade e menor custo, sendo adequado para classificação grosseira; high é atualmente equivalente a original, usado para documentos, capturas de tela e gráficos que exigem a preservação de detalhes. Em ambientes de produção, não defina o nível de detalhe como o mais alto para todas as tarefas; é mais econômico direcionar conforme a granularidade da tarefa.

Preços da API do modelo de visão do DeepSeek

De acordo com a página de preços do site oficial do DeepSeek em 22 de agosto de 2026, o Vision Exp e o V4 Flash utilizam o mesmo preço unitário por token de texto. As imagens são primeiro convertidas em tokens de entrada com base no tamanho e, em seguida, cobradas junto com o texto; cada imagem conta no máximo 384 tokens de entrada. A oficial adota preços diferenciados por horário: de 9:00 às 12:00 e de 14:00 às 18:00 (horário de Pequim) são horários de pico, e os demais são horários de baixa demanda.

Item de cobrança (RMB / milhão de tokens)	Horário de baixa demanda	Horário de pico
Entrada: acerto de cache	¥0,05	¥0,10
Entrada: falha de cache	¥1,50	¥3,00
Saída	¥4,50	¥9,00

Estimativa simples: 100 imagens, mesmo que todas contem 384 tokens, resultam em apenas 38.400 tokens de entrada de imagem; a fatura real ainda deve incluir o prompt, o contexto e a saída. O consumo final deve ser baseado no campo usage retornado pela API. Os preços podem ser ajustados; consulte novamente o site oficial do DeepSeek antes da implantação para evitar a fixação dos números deste artigo no orçamento de compras.

Cenários de uso adequados

Cenários de uso de compreensão de imagem e Agent para modelos multimodais do DeepSeek

1. Análise de capturas de tela de páginas web e aplicativos

O modelo pode resumir a estrutura da página, identificar mensagens de erro, verificar o estado dos botões e entregar os resultados de observação ao Agent para decidir o próximo passo. É adequado para testes automatizados, solução de problemas de atendimento ao cliente e inspeções de back-end. Se a tarefa envolver coordenadas de clique em nível de pixel, é necessário unificar o redimensionamento da captura de tela, o viewport do navegador e a conversão de coordenadas; não se deve depender apenas de descrições em linguagem natural para clicar.

2. Extração de documentos, planilhas e recibos

Para a primeira página de contratos com layout claro, faturas, notas de entrega e planilhas de negócios, é possível fazer o modelo sair em campos JSON e, em seguida, aplicar validação por regras. Valores monetários importantes, documentos de identidade, informações médicas ou legais devem ser verificados novamente; a fluidez da resposta do modelo de visão não significa que cada caractere esteja correto.

3. Interpretação de gráficos e resumo de dados

Gráficos de barras, de linhas, painéis de controle e capturas de tela de operações são adequados para explicar tendências, identificar pontos anômalos e resumir métricas. O prompt deve exigir que o modelo liste “conclusão, evidências no gráfico, informações que não podem ser confirmadas”, o que reduz a elaboração de conteúdo desconectado da imagem. Quando valores precisos são necessários, priorize a passagem da tabela de dados original, usando a imagem apenas como apoio.

4. Agent multimodal e auxílio ao desenvolvimento

O Agent pode ler capturas de tela do terminal, designs, janelas de erro e resultados de testes, e, em seguida, chamar ferramentas de busca, código ou navegador para continuar o processamento. Em comparação com o fluxo de duas etapas de “primeiro usar um modelo de visão para transcrever e, depois, entregar ao deepseek v4 para raciocinar”, a entrada direta de texto e imagem é mais simples e facilita a preservação do contexto. No entanto, como o modelo ainda é experimental, é recomendável adicionar validação de parâmetros e confirmação de operações de alto risco antes da chamada de ferramentas.

Teste de desempenho: como testar para obter resultados relevantes

As imagens de demonstração, prompts e critérios de avaliação em diferentes artigos não são consistentes; um único exemplo que “parece bom” não representa o desempenho no negócio. Recomendamos realizar uma rodada de testes reproduzíveis com imagens e prompts fixos e registrar as respostas originais, em vez de capturar apenas casos de sucesso.

Tarefa de teste	Entrada sugerida	Critério de aprovação	Pontos propensos a erro
OCR / Extração de campos	10 recibos nítidos + 10 recibos inclinados ou com pouca luz	Correspondência exata de campos, com saída de itens ausentes	Texto pequeno, reflexos, números semelhantes
Compreensão de gráficos	Gráficos com legenda, unidades e eixo duplo	Tendências corretas, valores localizáveis no gráfico	Confusão de eixo duplo, eixo de coordenada truncado
Captura de tela de UI	10 de desktop e 10 de celular	Identificação completa de componentes, estados e mensagens de erro	Conteúdo recolhido, máscaras, ícones pequenos
Relação espacial	Formulários, fluxogramas, mapas simples	Relações de cima/baixo/esquerda/direita e conexões corretas	Conexões densas, relações entre blocos
Agent multi-turno	5–10 capturas de tela consecutivas da mesma tarefa	Estado consistente, sem repetição de ações concluídas	Interferência de capturas antigas, acúmulo de erros

Durante os testes, compare pelo menos os níveis de detalhe low e original. Nosso método de observação é: primeiro, fazer o modelo realizar apenas a extração estruturada e, em seguida, exigir a explicação; se for pedido diretamente para “analisar e dar sugestões”, a identificação de fatos e o raciocínio se misturam, dificultando a localização de erros. Para capturas de tela nítidas, gráficos convencionais e documentos com layout simples, ele é adequado como um nó de processamento inicial de baixo custo; para texto denso e pequeno, coordenadas precisas, desenhos de engenharia complexos e tarefas de reconhecimento que exigem responsabilidade legal, não se deve implantar com base apenas em uma resposta.

É necessário também monitorar quatro indicadores de engenharia: latência do primeiro token, tempo total da requisição, custo por tarefa bem-sucedida e taxa de repetição. Um preço unitário de token barato pode resultar em custo total mais alto se exigir repetições frequentes ou retrabalho humano. Recomenda-se extrair de 50 a 200 amostras reais, definir a taxa de precisão dos campos e o limite de falha, e, em seguida, decidir se o tráfego deve ser ampliado.

Limitações a observar no uso

Exp indica uma versão experimental; o comportamento da interface e o desempenho ainda podem mudar, e não deve substituir incondicionalmente o modelo de produção.
Apenas o modelo de visão aceita imagens; enviar imagens ao deepseek-v4-flash comum resultará em erro de imagem não suportada.
No Chat Completions, as imagens podem aparecer apenas na mensagem user. Mantenha a entrada original e o código de erro para facilitar a depuração.
As imagens passam por tokenização e redimensionamento; o baixo custo não significa a preservação de todos os pixels. Para documentos densos, é possível recortar em blocos e, em seguida, reconhecer cada bloco.
A saída do modelo deve ser protegida contra injeção de prompt. O texto em capturas de tela de páginas web ou documentos pode conter instruções maliciosas; não permita que elas disparem operações externas diretamente.
Quando envolver identidade, finanças, saúde, segurança e conformidade, é necessário adicionar validação por regras ou revisão humana.

Como escolher entre o DeepSeek V4 Flash comum e o Vision Exp

Necessidade	Modelo recomendado
Apenas texto, código ou dados estruturados	`deepseek-v4-flash`
Necessidade de ler imagens, capturas de tela, digitalizações ou gráficos	`deepseek-v4-flash-vision-exp`
Decisões visuais de alto risco	Piloto do Vision Exp + modelo dedicado ou revisão humana
Leitura repetida da mesma imagem grande	Vision Exp + Files API

Se a tarefa já possui uma fonte de OCR ou dados estruturados confiável, converter os resultados em texto e, em seguida, entregá-los ao V4 Flash geralmente é mais estável. O valor do Vision Exp se torna mais evidente apenas quando a informação visual não pode ser extraída pelo sistema existente ou quando o Agent precisa observar o estado da interface. Para os leitores que estão se conectando à API do DeepSeek pela primeira vez, é possível primeiro consultar o Guia de uso do DeepSeek e a Descrição da entrada do site oficial do DeepSeek neste site, e, em seguida, decidir se usará o modelo de texto ou o modelo de visão com base na tarefa.

Conclusão

O DeepSeek-V4-Flash-Vision-Exp levou a capacidade multimodal do DeepSeek a uma API que os desenvolvedores podem chamar diretamente: o método de integração é compatível com os principais SDKs, suporta URL, Base64 e Files API, e o limite de tokens de imagem tem o mesmo preço do V4 Flash, oferecendo uma nova opção de baixo custo para análise de capturas de tela, extração de documentos, interpretação de gráficos e Agent visual.

Sua posição mais adequada no momento é a de “nó de trabalho visual verificável e reversível”, e não uma solução universal de reconhecimento de imagem que não exige testes. Estabeleça uma linha de base com amostras reais, verifique a precisão, a latência, as repetições e o custo total, e, em seguida, amplie gradualmente o escopo de uso; as conclusões obtidas assim serão mais confiáveis do que uma única demonstração.