Test V4-Flash-Vision : DeepSeek convainc sur les agents

DeepSeek a greffé une couche vision sur son modèle rapide sans toucher au reste, et le résultat surprend là où on ne l’attendait pas : les scores texte montent aussi. Ce test V4-Flash-Vision rassemble les évaluations publiées, les tarifs réels et ce que la variante change concrètement dans une boucle d’agent.

Pour résumer

• La variante vision bat le modèle texte-only sur six benchmarks texte sur sept, ce qui n’était pas l’objectif annoncé.
• Elle passe devant Opus 4.8 sur trois lignes agentiques, et reste douze points derrière sur le code à l’échelle d’un dépôt.
• Chaque image compte pour 384 tokens aux tarifs V4-Flash, avec un plafond de 600 images par requête.

Une greffe vision qui fait monter les scores texte

Le premier constat de ce test V4-Flash-Vision porte sur la nature de la sortie. Ce n’est pas un nouveau modèle, c’est une extension : la base texte reçoit la capacité de lire des images, et le reste de son comportement est censé rester identique.

Le modèle est servi sous l’identifiant deepseek-v4-flash-vision-exp. Les images entrent en base64, par URL externe ou via la Files API, aux formats JPEG, PNG, GIF et WebP, ce qui couvre à peu près tout ce qu’une chaîne documentaire peut lui envoyer.

Le choix d’intégration en dit long sur la stratégie. Plutôt que de lancer une famille multimodale séparée, avec son propre cycle de sortie et sa propre grille tarifaire, l’éditeur pousse la vision dans un palier que ses clients ont déjà câblé, où les intégrations existent et où le coût par appel est connu.

La base de départ compte autant que la greffe. C’est V4 Flash, le modèle qui arrivait à un point de GPT-5.6 Luna pour 60 % moins cher, donc un socle déjà taillé pour le rapport performance-prix plus que pour le sommet.

Là où le test devient intéressant, c’est que la vision n’a pas coûté de terrain au texte. Sur sept benchmarks textuels, la variante multimodale bat le modèle texte-only sur six d’entre eux.

Deux écarts sortent du lot. Toolathlon-Verified progresse de 5,6 points et DeepSWE de 4,9 points par rapport à la version texte seule. Un entraînement multimodal qui améliore l’usage d’outils, ce n’est pas le résultat que la fiche produit met en avant.

La progression la plus nette se lit contre son propre prédécesseur. Sur ApexBench en Pass@1, la variante vision atteint 36,5 là où V4-Flash 0731 plafonnait à 26,2, ce qui la place à trois points d’Opus 4.8 sur cette ligne précise.

Une réserve accompagne l’ensemble de ces chiffres, et elle est inscrite dans le nom du modèle. Le suffixe Exp signale un jalon expérimental, avec des résultats mesurés dans le harnais maison en mode minimal et aucune vérification indépendante disponible à ce stade.

Nous prenons donc ces tables pour ce qu’elles sont : une déclaration d’intention chiffrée par l’éditeur, utile pour cadrer un test mais insuffisante pour valider une migration.

Ce que la vision débloque vraiment dans une boucle d’agent

Le podium n’est pas ce qui décide de l’adoption. Ce qui décide, c’est la capacité à traiter des captures d’écran, des PDF scannés et des graphiques dans la même boucle que le texte, sans router vers un second modèle plus cher.

C’est exactement ce que sert le choix de la greffe. Migrer depuis V4-Flash ne demande ni réécriture d’outillage ni recalibrage des prompts système, puisque le comportement agentique du modèle de base est conservé tel quel.

Sur le terrain agentique, les trois victoires que la variante inscrit face à Opus 4.8 sur onze benchmarks tombent au bon endroit. Agents’ Last Exam donne 27,3 contre 25,7, ZeroBench en Pass@5 donne 35,0 contre 34,0, et DeepSWE passe de 1,3 point.

Les marges sont minces, et c’est précisément le message. Un modèle à ce niveau de prix qui vient chercher un modèle frontière sur des tâches d’agent multimodales, même d’un point six, déplace la question de la capacité vers celle du coût.

La contrainte pratique tient en deux paramètres. Chaque image est plafonnée à 384 tokens, et une requête accepte jusqu’à 600 images, ce qui borne à l’avance le coût d’un lot documentaire au lieu de le laisser dériver avec la résolution des fichiers.

Pour une équipe qui chiffre un pipeline, cette prévisibilité vaut plus qu’un point de benchmark. Elle transforme une facture variable en ligne budgétaire calculable avant la mise en production.

Le plafond de 600 images par requête ouvre en revanche un usage que ce test V4-Flash-Vision place très haut dans ses conclusions. Un lot entier de factures, de planches ou de captures part en une seule fois, sans découpage applicatif ni orchestration de sous-requêtes à maintenir.

Le revers du plafond existe aussi. Un document dense compressé en 384 tokens perd du détail, et les tâches qui demandent de lire finement un tableau chargé souffriront davantage qu’un traitement de capture d’écran standard.

Le retour des équipes qui font tourner la famille V4 Flash en production ajoute une nuance qui compte. Les modèles y sont décrits comme partiellement optimisés pour les tests, solides sur les évaluations standards et moins constants dans l’usage courant.

Cette réserve rejoint le constat que nous posions dès la publication des premières tables. Le classement flatte davantage que la moyenne d’usage, et une semaine de charges réelles corrige presque toujours l’impression laissée par une ligne de benchmark bien placée.

D’autres articles sur Horizon

• Ox Alpha arrive gratuitement et sans éditeur connu
• DeepSeek V4-Flash-Vision talonne Opus 4.8
• Claude Security scanne le code avec Mythos 5

Notre verdict, charge de travail par charge de travail

Là où le modèle décroche, l’écart n’a rien de symbolique. Sur NL2Repo, qui mesure la génération de code à l’échelle d’un dépôt, il inscrit 57,7 contre 69,7 pour Opus 4.8, soit douze points de retard sur l’exercice le plus proche du travail réel d’un développeur.

Sur DSBench-Hard, le déficit tourne autour de huit points. Ailleurs, la distance se resserre au point de devenir négligeable : Terminal Bench 2.1 le place à 83,9 contre 85,0, et Chartography à 64,3 contre 65,0.

Un détail méthodologique mérite d’être gardé en tête avant de lire ces écarts comme définitifs. Les mesures sortent du harnais de l’éditeur en mode minimal, c’est-à-dire dans les conditions les plus favorables à une exécution propre, loin des prompts bricolés et des environnements chargés d’un usage quotidien.

Cette dispersion dessine une carte lisible. Le modèle tient la comparaison sur les tâches courtes, outillées et multimodales, et il la perd dès que l’exercice demande de tenir une architecture entière en tête pendant plusieurs dizaines de fichiers.

Notre verdict pour un agent de support documentaire est donc franchement favorable, et il ne dépend pas du classement général. Lecture de captures, extraction depuis des PDF scannés, tri de graphiques, appels d’outils enchaînés : sur ce profil, le rapport capacité-prix est difficile à battre aujourd’hui.

Notre verdict pour de la génération de code à l’échelle d’un dépôt est l’inverse. Douze points de retard sur NL2Repo ne se rattrapent pas par un prix inférieur, parce que le temps de correction humaine mange l’économie réalisée sur les tokens.

Entre les deux, un cas mérite l’attente. Une équipe déjà installée sur V4-Flash en texte a tout intérêt à basculer, puisque la migration ne coûte rien et que six benchmarks texte sur sept progressent, mais elle devrait le faire en gardant un modèle de repli sur les tâches longues.

Sur le plan concurrentiel, ce test V4-Flash-Vision confirme où la pression s’exerce. Elle ne porte pas sur la capacité de pointe, que les modèles frontière conservent, mais sur les vendeurs qui facturent un composant vision en supplément d’un modèle texte, désormais concurrencés par une brique unique au tarif d’un seul palier.

La facture, elle, ne se lit pas seulement sur cette ligne de catalogue. DeepSeek ajuste ses marges palier par palier, et le passage de V4-Pro à une tarification heures pleines et heures creuses a fait grimper certaines lignes de cache de plus de 1 100 %.

Notre recommandation finale tient à cette instabilité tarifaire autant qu’aux scores mesurés. Le modèle mérite d’être testé cette semaine sur vos propres charges, et l’engagement contractuel mérite d’attendre que le suffixe expérimental tombe et que les tarifs se stabilisent.

Affaire à suivre sur Horizon.