Der KI-Entwickler DeepSeek hat am 21. August 2026 das neue experimentelle Vision-Modell deepseek-v4-flash-vision-exp vorgestellt. Die Veröffentlichung markiert einen weiteren Schritt in der Entwicklung leistungsfähiger, multimodaler Systeme, die insbesondere für automatisierte Workflows in der Datenextraktion und für KI-gestützte Agenten konzipiert sind.
Während die reinen Textfähigkeiten des Modells dem bereits bekannten V4-Flash entsprechen, konzentriert sich die Neuerung vor allem auf die Verarbeitung visueller Informationen und die Integration in komplexe Aufgabenstellungen.
Benchmark-Ergebnisse und Leistungsvergleich
In ersten Leistungstests zeigt das neue Modell eine Leistung, die sich in spezifischen Bereichen dem Niveau von Opus-4.8 annähert. Laut vorliegenden Benchmark-Ergebnissen erreichte deepseek-v4-flash-vision-exp im Terminal Bench 2.1 einen Wert von 83,9, während der Vergleichswert für Opus 4.8 bei 85,0 lag. Bei der Analyse von NL2Repo kam das Modell auf 57,7 (Opus 4.8: 69,7), während es im DeepSWE einen Wert von 59,3 erzielte.
Besonders im Bereich der multimodalen Agenten-Anwendungen zeigen die Daten eine hohe Konkurrenzfähigkeit. Im Test „Agents‘ Last Exam“ übertraf das DeepSeek-Modell mit 27,3 den Wert von Opus 4.8, der mit 25,7 angegeben wurde.
Weitere Ergebnisse umfassen den Bereich Chartography mit 64,3 (Opus 4.8: 65,0) sowie ZeroBench mit 35,0 gegenüber 34,0 bei der Vergleichssoftware. Auch im ApexBench schnitt das neue Modell mit 36,5 ab, verglichen mit 39,4 beim Referenzmodell.
Preisstruktur und technische Kapazitäten
Sie wollen Ihre Datenextraktion automatisieren, ohne die Kosten explodieren zu lassen? Das neue DeepSeek-Vision-Modell verarbeitet Bilder für umgerechnet rund 0,000384 Yen pro Bild – ein Bruchteil dessen, was andere Modelle verlangen. Unser kostenloser Leitfaden zeigt Ihnen, wie Sie es in Ihre bestehenden Workflows integrieren und welche Benchmarks es wirklich schlägt. Jetzt kostenlosen Leitfaden anfordern
DeepSeek setzt für das neue Modell auf eine differenzierte Preisgestaltung, die sowohl Standardtarife als auch eine Staffelung nach Auslastungszeiten vorsieht. Im Standardmodell werden 1 Yen pro Million Input-Tokens sowie 2 Yen pro Million Output-Tokens berechnet. Die Verarbeitung von Bildern ist dabei auf 384 Tokens gedeckelt, was zu Kosten von rund 0,000384 Yen pro Bild führt.
Zusätzlich wurde eine alternative Preisstaffelung für unterschiedliche Lastzeiten bekannt gegeben. In Spitzenzeiten (Peak) belaufen sich die Kosten für den Input auf 3,0 Yuan pro Million Tokens, während sie in Nebenzeiten (Off-Peak) auf 1,5 Yuan sinken. Für Cache-Treffer werden 0,10 Yuan (Peak) beziehungsweise 0,05 Yuan (Off-Peak) veranschlagt.
Der Output wird mit 9,0 Yuan zu Spitzenzeiten und 4,5 Yuan in Nebenzeiten berechnet. Die Kosten für die Bilderkennung beginnen in diesem Modell bei 0,001 Yuan pro Bild während der Peak-Phasen. Die maximale Anzahl gleichzeitiger Anfragen (Concurrency) wird mit 2500 angegeben.
Integration in bestehende Workflows
Multimodale Agenten sind im Kommen – aber welches Modell lohnt sich wirklich? Der neue DeepSeek-Vision-Modell übertrifft im Test ‚Agents‘ Last Exam‘ mit 27,3 sogar Opus 4.8 (25,7). Unser Leitfaden liefert Ihnen den Benchmark-Vergleich und eine Schritt-für-Schritt-Anleitung zur Integration über die Files API. Benchmark-Leitfaden jetzt sichern
Das experimentelle Modell verfügt über ein Kontextfenster von 1 Million Tokens, was die Verarbeitung umfangreicher Dokumente und langer Datenströme ermöglicht. Es unterstützt gängige Formate wie Chat Completions, Messages und Responses sowie die Files API. Damit zielt die Entwicklung darauf ab, die Effizienz bei der Verarbeitung visueller Daten in automatisierten Scan- und Extraktionsprozessen zu steigern.
Trotz der fortgeschrittenen Vision-Agent-Fähigkeiten betont der Entwickler den experimentellen Status des Modells. Die Textverarbeitungskompetenz bleibe im Vergleich zur bisherigen V4-Flash-Iteration unverändert, während die multimodale Leistungsfähigkeit das primäre Feld der aktuellen Weiterentwicklung darstelle. Die technische Infrastruktur ist darauf ausgelegt, Entwicklern eine nahtlose Einbindung in bestehende API-Umgebungen zu ermöglichen.
