A DeepSeek lançou na sexta-feira um modelo experimental de visão que, segundo a startup chinesa de IA, aproxima o desempenho de seus agentes multimodais do Opus-4.8 da Anthropic em benchmarks de agentes.
O modelo, DeepSeek-V4-Flash-Vision-Exp, já está disponível por meio da DeepSeek API Platform, informou a empresa em um anúncio. O modelo iguala o V4 Flash em recursos de texto, incluindo agentes, raciocínio e conhecimento de mundo, e acrescenta entradas de imagem, segundo a empresa.
A empresa disse que o novo modelo deu um “grande salto” em relação ao V4 Flash em benchmarks de agentes multimodais, aproximando seu desempenho do Opus-4.8. A DeepSeek não forneceu as pontuações dos benchmarks em seu anúncio.
Vale destacar que o modelo pode analisar imagens junto com texto, incluindo descrever imagens, ler textos em capturas de tela e analisar gráficos. Ele é compatível com imagens JPEG, PNG, GIF e WebP.
A DeepSeek informou que o V4 Flash Vision é compatível com as APIs Chat Completions, Messages e Responses. As imagens podem ser enviadas por meio de dados em base64, URLs externas ou da recém-lançada Files API.
As imagens são tokenizadas para fins de cobrança, e cada imagem consome até 384 tokens ao preço do V4 Flash. O modelo pode processar até 600 imagens em uma única solicitação, enquanto imagens individuais podem ter até 32 megabytes quando enviadas por base64 ou URLs externas e 64 megabytes quando referenciadas pela Files API.
A Files API permite que os usuários carreguem uma imagem uma vez e a referenciem por meio de um ID de arquivo em várias solicitações. A DeepSeek informou que o serviço é gratuito e também pode reduzir o uso de banda quando a mesma imagem é reutilizada.
O lançamento ocorre enquanto a DeepSeek retoma sua segunda rodada de financiamento, buscando cerca de US$ 8 bilhões, com a Monolith Management em negociações para participar, informou a Bloomberg no início deste mês. A empresa busca uma avaliação próxima de 500 bilhões de yuans (US$ 74,3 bilhões).