DeepSeek V4 Flash Vision: Qué es y cómo usarlo

TL;DR

DeepSeek-V4.1-Flash es el modelo Flash multimodal actual ofrecido por la API de DeepSeek con el ID de modelo deepseek-flash. Admite un contexto de 1M de tokens, hasta 384K de salida e input de imagen; según la guía de visión vigente, cada imagen utiliza como máximo 1024 tokens tras el redimensionado automático.

Su posicionamiento más fuerte sigue siendo la visión orientada a agentes: inspección de capturas de pantalla, gráficos, interfaces y documentos basados en imagen antes de continuar con código o herramientas. Los resultados de benchmarks más adelante en este artículo pertenecen al lanzamiento retirado Vision-Exp y deben leerse como evidencia histórica reportada por el proveedor, no como un benchmark reciente de DeepSeek-V4.1-Flash.

CometAPI mantiene actualmente deepseek-v4-flash-vision-exp como su ID de modelo en catálogo, mientras que la API directa de DeepSeek recomienda deepseek-flash y sirve la solicitud con DeepSeek-V4.1-Flash. Empieza con una solicitud texto+imagen y evalúa la ruta exacta en tus propias capturas y tareas visuales.

Key Takeaways

• Ruta actual: DeepSeek-V4.1-Flash es el modelo Flash multimodal activo. El nombre retirado deepseek-v4-flash-vision-exp sigue aceptándose solo como alias de compatibilidad en la API de DeepSeek.
• Gran espacio de trabajo de texto: contexto de 1M de tokens y hasta 384K de salida para documentos largos, repositorios de código, historiales de herramientas e imágenes en una sola conversación.
• Contabilización de imágenes actual: DeepSeek redimensiona automáticamente cada imagen y la limita a 1024 tokens de entrada. Las imágenes por debajo de ~544×544 píxeles totales se escalan hacia arriba; las más grandes se escalan hacia ~1300×1300 píxeles totales.
• Visión enfocada en agentes: la comparación oficial enfatiza workflows de capturas de pantalla, gráficos, navegador, programación y herramientas visuales más que la generación de imágenes.
• Amplio soporte de interfaces: DeepSeek documenta las interfaces de API compatibles: Chat Completions, Messages compatible con Anthropic y Responses API. Los ejemplos de CometAPI abajo usan Chat Completions.
• Precaución en producción: alias de rutas, redimensionado automático de imágenes y resultados de benchmark sensibles al harness siguen haciendo esencial la prueba específica por carga de trabajo.

What Is DeepSeek-V4-Flash-Vision?

La documentación actual de DeepSeek identifica deepseek-flash como DeepSeek-V4.1-Flash, con entrada de texto e imagen y salida de texto. El modelo Vision-Exp anterior ha sido retirado; sus nombres de modelo heredados son alias de compatibilidad enrutados al modelo Flash actual.

El caso de uso objetivo es la agencia multimodal. Un agente visual puede inspeccionar una aplicación renderizada, identificar un botón o un fallo de maquetación, razonar sobre la siguiente acción, llamar a una herramienta y luego examinar la siguiente captura. El mismo patrón se aplica al análisis de gráficos, QA visual, extracción de documentos, automatización de navegador y agentes de programación que deben comparar un diseño de referencia con una página renderizada.

Nota sobre nombres: para la API directa de DeepSeek, usa deepseek-flash; actualmente se asigna a DeepSeek-V4.1-Flash. Los nombres heredados deepseek-v4-flash y deepseek-v4-flash-vision-exp siguen siendo aceptados por DeepSeek, pero los modelos correspondientes están retirados y las solicitudes las sirve DeepSeek-V4.1-Flash. CometAPI continúa exponiendo deepseek-v4-flash-vision-exp como su propia ruta de catálogo.

Technical Specifications

Los campos de arquitectura anteriores provienen de la configuración oficial. La interfaz del repositorio lista un checkpoint de 305B parámetros, pero DeepSeek no publica por separado un recuento de parámetros activados para el modelo de visión completo. Es más seguro informar el valor del repositorio que asumir que el recuento activo del V4-Flash solo texto se transfiere sin cambios tras añadir la pila visual.

How DeepSeek-V4-Flash-Vision-Exp's Legacy Architecture Works

V4-Flash Text Backbone

El lado de lenguaje conserva los temas de diseño V4 que hacen práctico el trabajo de agente de largo contexto. El repositorio oficial documenta los componentes de arquitectura V4: enrutamiento Mixture-of-Experts disperso, DFlash attention, Hyper-Connections y DSpark. Esto hace que la versión sea más inspeccionable que un modelo solo de API, aunque el despliegue local siga siendo exigente a esta escala.

Vision Encoder and Aligner

Para el checkpoint retirado Vision-Exp, la configuración publicada usaba un codificador visual de 32 capas, tamaño de parche 14, ancho de visión 1.024, 16 cabezas de atención visual y una representación de imagen de 384 tokens. Estos detalles de arquitectura describen el checkpoint histórico y no deben asumirse como documentación de la pila de servicio actual de DeepSeek-V4.1-Flash.

Current 1024-Token Image Limit

Las reglas de tokenización de visión actuales de DeepSeek escalan imágenes por debajo de ~544×544 píxeles totales hacia arriba y las más grandes hacia abajo, preservando la relación de aspecto. Las entradas grandes se redimensionan hacia un área de píxeles aproximada a una imagen de 1300×1300, produciendo un límite superior de 1024 tokens por imagen. Una imagen de 2000×2000 y una de 5000×5000 consumen por tanto el mismo número de tokens de imagen tras el redimensionado.

Implicación práctica: recorta la región que contiene etiquetas pequeñas, código o controles de UI antes de enviar la imagen. Una mayor resolución de origen por sí sola no supera el límite actual de 1024 tokens.

Legacy Vision-Exp Benchmark Performance

La evaluación en la tarjeta del modelo oficial de DeepSeek compara el modelo de visión con DeepSeek-V4-Flash-0731 y Claude Opus 4.8 en tareas de agente de texto y agente multimodal. El modelo de visión mejora generalmente sobre el modelo Flash solo texto a la vez que se mantiene competitivo, aunque no uniformemente superior, frente al competidor de máxima capacidad.

Comparación oficial de benchmarks para evaluaciones de agentes de texto y multimodales. Fuente: publicación oficial de DeepSeek

* En ApexBench y Agents' Last Exam, el V4-Flash solo texto ignoró los elementos multimodales de la entrada. DeepSeek evaluó sus tareas de agente de texto con DeepSeek Harness en modo mínimo, razonamiento al máximo esfuerzo, temperatura 1.0 y top_p 0.95.

Nota de benchmark: estos son resultados de lanzamiento reportados por DeepSeek, no una reproducción independiente. Las puntuaciones de agentes son especialmente sensibles al harness, definiciones de herramientas, presupuesto de tokens y política de reintentos, por lo que deben tratarse como evidencia direccional.

What the Benchmark Results Mean

El resultado más claro es la mejora sobre V4-Flash solo texto cuando la evidencia visual importa. ApexBench sube de 26.2 a 36.5, y el modelo de visión añade resultados competitivos en Chartography y ZeroBench que el modelo solo texto no reporta. El modelo también mejora en varias tareas de agente de texto, incluidas Terminal Bench 2.1, NL2Repo, DeepSWE, Toolathlon-Verified y DSBench-Hard, aunque Cybergym es ligeramente inferior.

Frente a Opus 4.8, el resultado es mixto. Vision-Exp es superior en DeepSWE, Agents' Last Exam y ZeroBench en esta tabla, mientras que el modelo competidor es más alto en Terminal Bench, NL2Repo, Cybergym, Toolathlon, DSBench-Hard, ApexBench y Chartography. La afirmación de benchmark multimodal de DeepSeek es por tanto direccional más que prueba de equivalencia general en cada dimensión de visión, razonamiento o fiabilidad.

DeepSeek-V4.1-Flash vs DeepSeek-V4-Flash-Vision-Exp vs Claude Opus 4.8 vs Gemini 3.7 Flash

Elige Vision-Exp cuando sea necesario añadir percepción de imagen a un bucle de agente económico. Elige V4 Flash cuando toda la entrada sea textual y el rendimiento sea más importante que la comprensión visual. Opus 4.8 sigue siendo la opción de máxima capacidad en la propia comparación de DeepSeek, mientras que Gemini 3.7 Flash es la alternativa multimodal más amplia cuando importan video, audio, PDFs y herramientas nativas de Google.

What Can DeepSeek-V4-Flash-Vision Do?

• De captura a código y revisión de UI: compara una página renderizada con un diseño, identifica problemas de maquetación o accesibilidad y genera orientación de implementación.
• Agentes visuales de navegador: usa capturas como observaciones cuando los datos del DOM o del árbol de accesibilidad son incompletos, luego selecciona la siguiente acción de herramienta.
• Análisis de gráficos y dashboards: explica tendencias, identifica anomalías y conecta métricas visibles con un workflow mayor de texto o herramientas.
• Comprensión de documentos basada en imagen: extrae información de formularios escaneados, diagramas, diapositivas, tablas y capturas antes del procesamiento estructurado.
• Agentes de programación multimodales: combinan código fuente, capturas de errores, estados del IDE y salidas renderizadas en un único bucle de depuración.
• Aseguramiento de calidad visual: compara capturas de producto entre dispositivos, detecta elementos faltantes y genera informes de defectos estructurados.
• Comparación multi-imagen: evalúa una secuencia de capturas o diseños alternativos en una sola solicitud, sujeta a límites de tamaño de solicitud y número de imágenes.

Ejemplo oficial de agente visual de la página de lanzamiento de DeepSeek (GIF animado en Word). Fuente: publicación oficial de DeepSeek

Pricing and Availability

DeepSeek factura los tokens de imagen junto con los tokens de entrada de texto. Su tabla de precios oficial usa tarifas pico y no pico, mientras que la página del modelo de CometAPI publica un precio de ruta único actual. No deben colapsarse en un precio genérico porque la ruta más barata cambia con la ventana horaria de DeepSeek.

Todos los precios están en USD por 1M de tokens. Las tarifas Flash actuales de DeepSeek son $0.003/$0.15/$0.60 en horas no pico y $0.006/$0.30/$1.20 en horas pico para entrada con acierto en caché, entrada sin acierto en caché y salida, respectivamente. CometAPI lista actualmente $0.352 por 1M de tokens de entrada y alrededor de $1.06 por 1M de tokens de salida para su ruta de compatibilidad. En la API actual de DeepSeek, cada imagen usa como máximo 1024 tokens de entrada; vuelve a comprobar siempre los precios de ruta en vivo antes del uso en producción.

Nota sobre precios: los precios del modelo pueden cambiar. Mantén las cifras vinculadas a las páginas de precios en vivo y revísalas inmediatamente antes de la publicación o del despliegue en producción.

How to Use DeepSeek-V4-Flash-Vision with CometAPI

CometAPI lista actualmente deepseek-v4-flash-vision-exp a través de su endpoint compatible con OpenAI /v1/chat/completions, por lo que los ejemplos de CometAPI conservan ese ID de catálogo. Para la API directa de DeepSeek, usa deepseek-flash.

Step 1: Create an API Key

1. Crea o inicia sesión en una cuenta de CometAPI.
2. Abre la consola de tokens de API y crea una clave.
3. Guárdala en la variable de entorno COMETAPI_KEY. Nunca coloques una clave de producción en código del lado cliente ni la confirmes al control de versiones.

export COMETAPI_KEY="your-cometapi-key"

Step 2: Send a Base64 Image with cURL

Base64 es útil para archivos locales y trabajos del lado servidor donde la imagen ya está en memoria. Sustituye el marcador por los bytes codificados de la imagen, sin añadir espacios ni saltos de línea.

curl https://api.cometapi.com/v1/chat/completions \
  -H "Authorization: Bearer $COMETAPI_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-v4-flash-vision-exp",
    "messages": [
      {
        "role": "user",
        "content": [
          {
            "type": "text",
            "text": "Read this dashboard and return the three most important findings."
          },
          {
            "type": "image_url",
            "image_url": {
              "url": "data:image/png;base64,<BASE64_DATA>"
            }
          }
        ]
      }
    ],
    "max_tokens": 1200
  }'

Step 3: Analyze a Local Image with Python

El SDK de Python de OpenAI puede llamar a CometAPI cambiando la URL base. Usa extra_body para controles de thinking específicos de DeepSeek cuando tu SDK no los exponga directamente.

import base64
import os

from openai import OpenAI

client = OpenAI(
    api_key=os.environ["COMETAPI_KEY"],
    base_url="https://api.cometapi.com/v1",
)

with open("dashboard.png", "rb") as image_file:
    encoded = base64.b64encode(image_file.read()).decode("utf-8")

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": (
                        "Analyze the chart. Return JSON with keys: trend, "
                        "anomalies, evidence, and confidence."
                    ),
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{encoded}"
                    },
                },
            ],
        }
    ],
    max_tokens=1500,
    extra_body={
        "thinking": {"type": "enabled"},
        "reasoning_effort": "high",
    },
)

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

Step 4: Use a Public Image URL with JavaScript

Una URL de imagen mantiene pequeña la solicitud JSON, pero la URL debe ser públicamente accesible por el modelo ascendente. Evita enlaces temporales, privados o protegidos por autenticación a menos que tu aplicación convierta primero la imagen a Base64.

const response = await fetch(
  "https://api.cometapi.com/v1/chat/completions",
  {
    method: "POST",
    headers: {
      Authorization: `Bearer ${process.env.COMETAPI_KEY}`,
      "Content-Type": "application/json",
    },
    body: JSON.stringify({
      model: "deepseek-v4-flash-vision-exp",
      messages: [
        {
          role: "user",
          content: [
            {
              type: "text",
              text: "Identify the UI issue and propose a concrete CSS fix.",
            },
            {
              type: "image_url",
              image_url: {
                url: "https://example.com/screenshot.png",
              },
            },
          ],
        },
      ],
      max_tokens: 1200,
    }),
  }
);

if (!response.ok) {
  throw new Error(`CometAPI request failed: ${response.status}`);
}

const data = await response.json();
console.log(data.choices[0].message.content);

Step 5: Send Multiple Images

Coloca varios bloques image_url en el mismo mensaje de usuario e indica al modelo cómo etiquetarlos. Las etiquetas explícitas reducen referencias cruzadas accidentales entre imágenes.

{
  "model": "deepseek-v4-flash-vision-exp",
  "messages": [
    {
      "role": "user",
      "content": [
        {
          "type": "text",
          "text": "Compare Image A and Image B. List every visible regression."
        },
        {
          "type": "image_url",
          "image_url": {"url": "https://example.com/image-a.png"}
        },
        {
          "type": "image_url",
          "image_url": {"url": "https://example.com/image-b.png"}
        }
      ]
    }
  ],
  "max_tokens": 1800
}

Input Methods and Limits

La API oficial de DeepSeek también admite referencias de imagen reutilizables file_id a través de su Files API. La ruta rápida de CometAPI documentada aquí usa bloques image_url con una URL pública o una data URL Base64. Verifica la carga de archivos específica del proveedor y el traspaso de file_id antes de confiar en ese flujo a través de una ruta de agregación.

How to Prompt the Model Effectively

Un prompt fiable para agente visual debe indicar qué es la imagen, qué evidencia inspeccionar, qué acción tomar y qué contrato de salida seguir. Prompts vagos como describe esta imagen dejan demasiada libertad y dificultan la validación de resultados.

• Contexto: identifica la captura, gráfico, documento o interfaz y su función en el flujo de trabajo.
• Tarea: especifica la decisión, el diagnóstico, la comparación o la extracción que importa.
• Evidencia: exige evidencia visible, etiquetas, coordenadas, valores o texto de UI entrecomillado.
• Restricciones: prohíbe suposiciones no soportadas y explica cómo manejar detalles ilegibles.
• Salida: define claves JSON, una checklist, niveles de severidad u otra estructura verificable por máquina.

You are reviewing a web application screenshot.

Task: identify layout, accessibility, and state-consistency defects.
Evidence: cite the visible element, label, position, or color that supports each finding.
Constraints: do not infer hidden DOM state; mark unreadable text as uncertain.
Output: return JSON with arrays named critical, major, minor, and follow_up_checks.

Production Best Practices

• Recorta antes de subir cuando importen texto pequeño o controles; el techo de tokens de imagen implica que el fondo irrelevante consume resolución visual escasa.
• Prueba el esfuerzo de thinking en vez de habilitar el máximo en cada solicitud. OCR simple o clasificación suelen requerir menos razonamiento que diagnósticos de UI multietapa.
• Exige evidencia en cada hallazgo estructurado. Esto facilita rechazar automáticamente afirmaciones visuales alucinadas.
• Separa percepción de acción en automatización de alto riesgo. Deja que el modelo describa el estado, valídalo y luego permite que una capa de herramientas controlada actúe.
• Protege las URLs de imagen porque una URL pública puede exponer capturas sensibles. Prefiere Base64 del lado servidor para datos privados y aplica tu propia política de retención.
• Evalúa de extremo a extremo con la misma captura, prompt, herramientas, reintentos y criterios de éxito que en producción.
• Rastrea cambios experimentales fijando prompts y datos de evaluación. Un endpoint -exp puede cambiar más rápido que un modelo con disponibilidad general.
• Registra IDs de solicitud y fallos para distinguir errores del proveedor, del modelo y de parsing de la aplicación.

Limitations

La limitación más importante es la transparencia de ruta: el nombre heredado Vision-Exp puede seguir aceptándose aunque la solicitud la sirva DeepSeek-V4.1-Flash. Registra el proveedor, el ID de modelo solicitado, los metadatos del modelo devueltos y el ID de solicitud; usa compuertas de evaluación explícitas antes de asignar acciones autónomas. Las puntuaciones históricas de lanzamiento no sustituyen las pruebas reproducibles en la ruta prevista.

La segunda limitación es el detalle visual. El redimensionado automático y el techo actual de 1024 tokens por imagen hacen que los costes sean predecibles, pero pueden suprimir texto diminuto, marcas finas de gráficos o elementos densos de interfaz. Recorta, divide en mosaicos o amplía la región relevante y conserva la imagen original para revisión humana.

El modelo devuelve solo texto. Puede analizar una imagen y proponer código o acciones estructuradas, pero no genera ni edita imágenes. También acepta imágenes solo en mensajes de usuario, y la documentación oficial indica que contenido de imagen en mensajes de sistema o asistente devuelve un error 400.

Por último, el despliegue local requiere mucha infraestructura. El repositorio oficial lista un modelo de 305B parámetros y proporciona código de inferencia de referencia en lugar de un runtime ligero listo para usar. Para la mayoría de equipos, la evaluación con API gestionada es el punto de partida práctico.

Common Errors and Fixes

FAQ

Is DeepSeek-V4-Flash-Vision the same as DeepSeek-V4-Flash?

No. Vision-Exp añade entrada de imagen nativa y entrenamiento multimodal. La ruta Flash solo texto no proporciona la misma capacidad de percepción visual.

What model ID should I use?

Usa deepseek-flash en la API directa de DeepSeek. En CometAPI, usa el ID de catálogo deepseek-v4-flash-vision-exp mientras esa ruta siga disponible.

Can it analyze multiple images?

Sí. DeepSeek documenta hasta 600 imágenes por solicitud, sujetas a límites de tamaño de solicitud y dimensión. Los límites prácticos pueden ser menores en una aplicación porque la latencia y la claridad del prompt se degradan al crecer el conjunto de imágenes.

How many tokens does an image use?

En la API actual de DeepSeek, las imágenes se redimensionan y convierten a tokens con un máximo de 1024 tokens por imagen. Las múltiples imágenes se cuentan de forma independiente.

Does it support image generation?

No. Acepta texto e imágenes y devuelve texto.

Is it ready for production?

Sí, pero solo tras evaluación específica por ruta. Usa monitorización, alternativas, pruebas de aceptación específicas de la tarea y registro de rutas de modelo porque los alias heredados pueden resolverse en DeepSeek-V4.1-Flash.

Should I use CometAPI or DeepSeek's direct API?

CometAPI es útil cuando importan una única clave, una única capa de facturación y el cambio fácil de modelo. El acceso directo a DeepSeek puede ser preferible cuando necesitas funciones específicas del proveedor como las semánticas oficiales de Files API o precios fuera de hora pico. Prueba ambas rutas con la misma carga de trabajo.

Conclusion

DeepSeek-V4.1-Flash es ahora la ruta Flash multimodal activa en la API de DeepSeek. Su contexto de 1M, techo de salida de 384K, soporte multi-interfaz y límite de 1024 tokens por imagen lo hacen atractivo para comprensión de capturas, análisis de gráficos, coding visual y automatización de navegador o GUI. La arquitectura de Vision-Exp y los benchmarks de lanzamiento en este artículo se mantienen como contexto histórico.

La decisión debe seguir siendo impulsada por la carga de trabajo. La evidencia pública de benchmarks para el modelo Vision-Exp retirado es principalmente reportada por el proveedor, los alias de ruta actuales pueden oscurecer qué modelo sirve la solicitud y el redimensionado de imagen aún puede limitar tareas de detalle fino. Prueba la ruta del proveedor exacta en imágenes representativas, mide el coste por tarea exitosa más que el precio por token y mantén una alternativa hasta que la ruta demuestre fiabilidad en tu harness de producción.