DeepSeek a publié V4-Flash-Vision-Exp, une variante multimodale expérimentale de son modèle rapide, qui revendique un niveau proche d’Opus 4.8 sur les tâches d’agent. Le détail des tableaux est plus nuancé que l’annonce : trois benchmarks gagnés sur onze, et des écarts qui restent larges sur le code de dépôt.
Pour résumer
- V4-Flash-Vision-Exp ajoute la compréhension d’images à V4-Flash sans toucher à ses capacités texte ni à son comportement agentique.
- Le modèle bat Opus 4.8 sur trois benchmarks sur onze, dont Agents’ Last Exam et ZeroBench, et reste derrière sur NL2Repo de douze points.
- Les images sont facturées au maximum 384 tokens pièce aux tarifs V4-Flash, avec 600 images par requête au plus.
Faire résumer cet article par une IA
ChatGPTUne couche vision greffée sur V4-Flash, pas un socle neuf
L’objet publié le 21 août est une extension, pas une refonte. V4-Flash-Vision-Exp reprend le modèle texte V4 Flash, celui qui était arrivé à un point de GPT-5.6 Luna pour 60 % moins cher, et lui ajoute la lecture d’images.
Le raisonnement, la connaissance générale et surtout le comportement agentique du modèle de base sont conservés. C’est la promesse commerciale : on ne change pas de moteur, on lui donne des yeux.
Le modèle est déjà servi sur la plateforme API sous l’identifiant deepseek-v4-flash-vision-exp. Les images passent en base64, par URL externe ou via la Files API, en JPEG, PNG, GIF et WebP.
Ce choix d’intégration dit quelque chose de la stratégie. Plutôt que de sortir une famille multimodale séparée, avec son propre cycle de versions et ses propres tarifs, DeepSeek pousse la vision dans une gamme déjà installée chez ses clients, là où les intégrations existent et où les coûts sont connus.
Le suffixe Exp n’est pas décoratif. DeepSeek publie ici un jalon expérimental, avec des résultats mesurés dans son propre harnais d’évaluation en mode minimal, sans vérification indépendante disponible à ce stade.
La documentation d’API détaille le plafond de 600 images par requête et la gratuité de la Files API, deux paramètres qui comptent davantage qu’un point de benchmark pour qui traite des lots de documents.
Trois benchmarks gagnés sur onze, et un plafond à 384 tokens par image
Sur le tableau publié par DeepSeek, le modèle devance Opus 4.8 sur trois lignes. Il prend DeepSWE de 1,3 point, Agents’ Last Exam de 1,6 point avec 27,3 contre 25,7, et ZeroBench en Pass@5 de 1 point avec 35,0 contre 34,0.
Sur les huit autres lignes il reste derrière, parfois de peu. Terminal Bench 2.1 le place à 83,9 quand Opus 4.8 tient 85,0, et Chartography à 64,3 contre 65,0.
Ailleurs l’écart est franc. Sur NL2Repo, qui mesure la capacité à produire du code à l’échelle d’un dépôt, DeepSeek marque 57,7 contre 69,7 pour Opus 4.8. Sur DSBench-Hard, le retard tourne autour de huit points.
Le vrai saut se lit contre soi-même. Sur ApexBench en Pass@1, la variante vision monte à 36,5 là où V4-Flash 0731 plafonnait à 26,2, ce qui met le modèle à trois points d’Opus 4.8 sur cette ligne précise.
Côté facturation, chaque image est plafonnée à 384 tokens, aux tarifs déjà en vigueur sur V4-Flash. Le calcul d’un pipeline documentaire devient donc prévisible, ce qui n’est pas le cas partout sur le marché. Ailleurs dans la gamme, l’ajustement va dans l’autre sens : DeepSeek a basculé V4-Pro sur une grille heures pleines et heures creuses avec des hausses de cache dépassant 1 100 %.
Cette discipline de coût est une constante maison. DeepSeek avait déjà publié DSpark, son framework de speculative decoding qui accélère ses modèles de 60 à 85 % sur GPU. Le laboratoire avait aussi levé 7,4 milliards de dollars à une valorisation de 50 milliards, avec Tencent et CATL en tête du tour, de quoi soutenir ce type de politique tarifaire.
D’autres articles sur Horizon
- Claude Security scanne le code avec Mythos 5
- OpenAI comble son retard en entreprise sur Anthropic
- Le web écrit par IA atteint un tiers des pages
Ce que ça débloque côté agents, ce que ça coûte aux modèles fermés
Pour une équipe qui fait tourner des agents, l’intérêt n’est pas le podium. C’est de pouvoir traiter captures d’écran, PDF scannés et graphiques dans la même boucle que le texte, sans router vers un second modèle plus cher.
Le choix de conserver le comportement agentique du modèle de base va dans ce sens. Une migration depuis V4-Flash ne demande pas de réécrire les outils ni de recalibrer les prompts système, ce qui compte davantage que 1,6 point sur un benchmark.
La réserve tient au statut expérimental et aux mesures maison. Un chiffre produit dans son propre harnais ne vaut pas un résultat reproduit, et DeepSeek le signale lui-même.
Côté concurrence, la pression ne porte pas sur la performance de pointe mais sur le prix du multimodal. Anthropic garde l’avantage sur le code de dépôt, mais devient difficile à justifier sur les tâches d’agent visuel où l’écart se compte en dixièmes de point.
Il faut aussi regarder qui perd le plus. Les fournisseurs qui vendent une brique vision séparée, facturée en plus du modèle texte, voient leur ligne de revenu attaquée par un modèle qui fait les deux au même tarif et plafonne le coût par image.
Le mouvement de prix ne va pas dans un seul sens pour autant. L’entreprise ajuste ses marges gamme par gamme plutôt qu’à l’échelle du catalogue, et la variante vision arrive dans un contexte où elle teste ailleurs jusqu’où la facture peut monter.
Elle en a largement les moyens, et financer ce type d’expérimentation ne dépend plus chez elle d’un tour de table à boucler. Ce qui manque encore se compte en capacité de calcul, pas en trésorerie.
Reste la contrainte matérielle, qui décidera de la suite. DeepSeek développe depuis un an sa propre puce d’inférence pour se détacher de Nvidia, et une variante vision servie à ce niveau de prix consomme précisément le type de capacité qui manque aujourd’hui aux acteurs chinois.
Affaire à suivre sur Horizon.
