DeepSeek V4 Flash Vision: Apa Itu dan Cara Menggunakannya

TL;DR

DeepSeek-V4.1-Flash adalah model Flash multimodal saat ini yang dilayani oleh DeepSeek API dengan ID model deepseek-flash. Model ini mendukung konteks 1M token, keluaran hingga 384K, dan masukan gambar; di bawah panduan Vision saat ini, setiap gambar menggunakan maksimal 1024 token setelah pengubahan ukuran otomatis.

Posisi terkuatnya tetap pada visi berorientasi agen: memeriksa tangkapan layar, bagan, antarmuka, dan dokumen berbasis gambar sebelum melanjutkan dengan kode atau alat. Hasil benchmark di bagian akhir artikel ini berasal dari peluncuran Vision-Exp yang sudah dipensiunkan dan sebaiknya dibaca sebagai bukti historis yang dilaporkan vendor—bukan sebagai benchmark terbaru DeepSeek-V4.1-Flash.

CometAPI saat ini mempertahankan deepseek-v4-flash-vision-exp sebagai ID model katalog, sementara API langsung DeepSeek merekomendasikan deepseek-flash dan melayani permintaan dengan DeepSeek-V4.1-Flash. Mulailah dengan permintaan teks-plus-gambar, lalu evaluasi rute tepat pada tangkapan layar dan tugas visual Anda sendiri.

Pokok-Pokok Utama

• Rute saat ini: DeepSeek-V4.1-Flash adalah model Flash multimodal aktif. Nama deepseek-v4-flash-vision-exp yang dipensiunkan tetap diterima hanya sebagai alias kompatibilitas pada API DeepSeek.
• Ruang kerja teks besar: Konteks 1M token dan keluaran hingga 384K mendukung dokumen panjang, repositori kode, riwayat alat, dan gambar dalam satu percakapan.
• Perhitungan gambar saat ini: DeepSeek secara otomatis mengubah ukuran setiap gambar dan membatasinya pada 1024 token masukan. Gambar di bawah kira-kira total piksel 544×544 akan diperbesar; gambar lebih besar akan diskalakan menuju kira-kira total piksel 1300×1300.
• Visi berfokus agen: perbandingan resmi menekankan alur kerja tangkapan layar, bagan, peramban, pengodean, dan alat visual, bukan pembuatan gambar.
• Dukungan antarmuka luas: DeepSeek mendokumentasikan antarmuka API yang didukung: Chat Completions, Messages kompatibel Anthropic, dan Responses API. Contoh CometAPI di bawah menggunakan Chat Completions.
• Kewaspadaan produksi: alias rute, pengubahan ukuran gambar otomatis, dan hasil benchmark yang sensitif terhadap harness tetap membuat pengujian spesifik beban kerja menjadi esensial.

Apa Itu DeepSeek-V4-Flash-Vision?

Dokumentasi DeepSeek saat ini mengidentifikasi deepseek-flash sebagai DeepSeek-V4.1-Flash, dengan masukan teks-dan-gambar serta keluaran teks. Model Vision-Exp sebelumnya telah dipensiunkan; nama model warisannya adalah alias kompatibilitas yang diarahkan ke model Flash saat ini.

Kasus penggunaan yang dituju adalah agen multimodal. Agen visual dapat memeriksa aplikasi yang dirender, mengidentifikasi tombol atau kegagalan tata letak, menalar tindakan berikutnya, memanggil alat, lalu memeriksa tangkapan layar berikutnya. Pola yang sama berlaku untuk analisis bagan, jaminan kualitas visual, ekstraksi dokumen, otomasi peramban, dan agen pengodean yang harus membandingkan referensi desain dengan halaman yang dirender.

Catatan penamaan: untuk API langsung DeepSeek, gunakan deepseek-flash; saat ini dipetakan ke DeepSeek-V4.1-Flash. Nama warisan deepseek-v4-flash dan deepseek-v4-flash-vision-exp masih diterima oleh DeepSeek, tetapi model terkait sudah dipensiunkan dan permintaan dilayani oleh DeepSeek-V4.1-Flash. CometAPI terus mengekspos deepseek-v4-flash-vision-exp sebagai rute katalognya sendiri.

Spesifikasi Teknis

Bidang arsitektur di atas berasal dari konfigurasi resmi. Antarmuka repositori mencantumkan checkpoint 305B parameter, tetapi DeepSeek tidak memublikasikan secara terpisah jumlah parameter aktif untuk model visi lengkap. Lebih aman melaporkan nilai repositori daripada mengasumsikan bahwa jumlah parameter aktif V4-Flash khusus teks berpindah tanpa perubahan setelah menambahkan tumpukan visual.

Cara Kerja Arsitektur Legacy DeepSeek-V4-Flash-Vision-Exp

Backbone Teks V4-Flash

Sisi bahasa mempertahankan tema desain V4 yang membuat pekerjaan agen konteks panjang menjadi praktis. Repositori resmi mendokumentasikan komponen arsitektur V4: routing Mixture-of-Experts sparse, DFlash attention, Hyper-Connections, dan DSpark. Ini membuat rilis lebih dapat diinspeksi daripada model hanya-API meskipun penerapan lokal tetap menuntut pada skala ini.

Encoder dan Aligner Visi

Untuk checkpoint Vision-Exp yang dipensiunkan, konfigurasi yang dipublikasikan menggunakan encoder visual 32 layer, ukuran patch 14, lebar visi 1,024, 16 head atensi visual, dan representasi gambar 384 token. Detail arsitektur ini menggambarkan checkpoint historis dan tidak boleh diasumsikan mendokumentasikan tumpukan layanan DeepSeek-V4.1-Flash saat ini.

Batas 1024 Token Gambar Saat Ini

Aturan tokenisasi visi DeepSeek saat ini menaikkan skala gambar di bawah kira-kira total piksel 544×544 dan menurunkan skala gambar yang lebih besar sambil mempertahankan rasio aspek. Masukan besar diskalakan menuju kira-kira luas piksel gambar 1300×1300, menghasilkan batas atas 1024 token per gambar. Gambar 2000×2000 dan 5000×5000 oleh karena itu mengonsumsi jumlah token gambar yang sama setelah pengubahan ukuran.

Implikasi praktis: potong wilayah yang berisi label kecil, kode, atau kontrol UI sebelum mengirim gambar. Resolusi sumber yang lebih tinggi saja tidak mengatasi plafon 1024 token saat ini.

Kinerja Benchmark Legacy Vision-Exp

Evaluasi kartu model resmi DeepSeek membandingkan model visi dengan DeepSeek-V4-Flash-0731 dan Claude Opus 4.8 di seluruh tugas agen teks dan agen multimodal. Model visi umumnya meningkat dibandingkan model Flash khusus teks sambil tetap kompetitif, tetapi tidak selalu unggul, dibandingkan pesaing berorientasi kapabilitas.

Perbandingan benchmark resmi untuk evaluasi agen teks dan multimodal. Sumber: rilis resmi DeepSeek

* Pada ApexBench dan Agents' Last Exam, V4-Flash khusus teks mengabaikan elemen multimodal dalam masukan. DeepSeek mengevaluasi tugas agen teksnya dengan DeepSeek Harness mode minimal, upaya penalaran maksimum, temperatur 1.0, dan top_p 0.95.

Catatan benchmark: ini adalah hasil peluncuran yang dilaporkan DeepSeek, bukan reproduksi independen. Skor agen sangat sensitif terhadap harness, definisi alat, anggaran token, dan kebijakan retry, sehingga harus diperlakukan sebagai bukti arah.

Arti Hasil Benchmark

Hasil paling jelas adalah peningkatan dibandingkan V4-Flash khusus teks ketika bukti visual penting. ApexBench meningkat dari 26.2 menjadi 36.5, dan model visi menambahkan hasil Chartography dan ZeroBench yang kompetitif yang tidak dilaporkan oleh model khusus teks. Model ini juga meningkat pada beberapa tugas agen teks, termasuk Terminal Bench 2.1, NL2Repo, DeepSWE, Toolathlon-Verified, dan DSBench-Hard, meskipun Cybergym sedikit lebih rendah.

Dibandingkan dengan Opus 4.8, hasilnya campuran. Vision-Exp lebih tinggi pada DeepSWE, Agents' Last Exam, dan ZeroBench dalam tabel ini, sementara model pesaing lebih tinggi pada Terminal Bench, NL2Repo, Cybergym, Toolathlon, DSBench-Hard, ApexBench, dan Chartography. Klaim benchmark multimodal DeepSeek karenanya bersifat arah, bukan bukti kesetaraan umum di setiap dimensi visi, penalaran, atau reliabilitas.

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

Pilih Vision-Exp ketika persepsi gambar harus ditambahkan ke loop agen berbiaya rendah. Pilih V4 Flash ketika setiap masukan bersifat tekstual dan throughput lebih penting daripada pemahaman visual. Opus 4.8 tetap menjadi opsi berorientasi kapabilitas dalam perbandingan DeepSeek, sementara Gemini 3.7 Flash adalah alternatif multimodal yang lebih luas ketika video, audio, PDF, dan alat native Google penting.

Apa yang Dapat Dilakukan DeepSeek-V4-Flash-Vision?

• Screenshot-to-code dan tinjauan UI - membandingkan halaman yang dirender dengan desain, mengidentifikasi masalah tata letak atau aksesibilitas, dan menghasilkan panduan implementasi.
• Agen peramban visual - menggunakan tangkapan layar sebagai observasi ketika data DOM atau accessibility-tree tidak lengkap, lalu memilih tindakan alat berikutnya.
• Analisis bagan dan dasbor - menjelaskan tren, mengidentifikasi anomali, dan menghubungkan metrik yang terlihat ke alur kerja teks atau alat yang lebih besar.
• Pemahaman dokumen berbasis gambar - mengekstrak informasi dari formulir pindaian, diagram, slide, tabel, dan tangkapan layar sebelum pemrosesan terstruktur.
• Agen pengodean multimodal - menggabungkan kode sumber, tangkapan layar bug, status IDE, dan keluaran yang dirender dalam satu loop debugging.
• Jaminan kualitas visual - membandingkan tangkapan layar produk di berbagai perangkat, mendeteksi elemen yang hilang, dan menghasilkan laporan cacat terstruktur.
• Perbandingan multi-gambar - mengevaluasi rangkaian tangkapan layar atau desain alternatif dalam satu permintaan, tunduk pada batas ukuran dan jumlah gambar.

Contoh agen visual resmi dari halaman peluncuran DeepSeek (GIF animasi dalam Word). Sumber: rilis resmi DeepSeek

Harga dan Ketersediaan

DeepSeek menagihkan token gambar bersama dengan token masukan teks. Tabel harga resmi menggunakan tarif puncak dan luar puncak, sementara halaman model CometAPI memublikasikan satu harga rute saat ini. Angka-angka tidak boleh diringkas menjadi satu harga generik karena rute termurah berubah mengikuti jendela waktu DeepSeek.

Semua harga dalam USD per 1M token. Tarif Flash DeepSeek saat ini adalah $0.003/$0.15/$0.60 di luar puncak dan $0.006/$0.30/$1.20 pada puncak untuk masukan cache-hit, masukan cache-miss, dan keluaran. CometAPI saat ini mencantumkan $0.352 per 1M token masukan dan sekitar $1.06 per 1M token keluaran untuk rute kompatibilitasnya. Gambar menggunakan maksimal 1024 token masukan masing-masing pada API DeepSeek saat ini; selalu periksa ulang harga rute langsung sebelum penggunaan produksi.

Catatan harga: harga model dapat berubah. Jaga angka harga tertaut ke halaman harga live dan periksa ulang segera sebelum publikasi atau rollout produksi.

Cara Menggunakan DeepSeek-V4-Flash-Vision dengan CometAPI

CometAPI saat ini mencantumkan deepseek-v4-flash-vision-exp melalui endpoint /v1/chat/completions yang kompatibel OpenAI, sehingga contoh CometAPI mempertahankan ID katalog tersebut. Untuk API langsung DeepSeek, gunakan deepseek-flash.

Langkah 1: Buat Kunci API

1. Buat atau masuk ke akun CometAPI.
2. Buka konsol token API dan buat kunci.
3. Simpan di variabel lingkungan COMETAPI_KEY. Jangan pernah menempatkan kunci produksi di kode sisi klien atau mengkomitnya ke kontrol versi.

export COMETAPI_KEY="your-cometapi-key"

Langkah 2: Kirim Gambar Base64 dengan cURL

Base64 berguna untuk file lokal dan pekerjaan sisi server ketika gambar sudah ada di memori. Ganti placeholder dengan byte gambar yang telah dienkode, tanpa menambahkan spasi atau pemisah baris.

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
  }'

Langkah 3: Analisis Gambar Lokal dengan Python

OpenAI Python SDK dapat memanggil CometAPI dengan mengubah base URL. Gunakan extra_body untuk kontrol thinking khusus DeepSeek ketika SDK Anda tidak mengeksposnya langsung.

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)

Langkah 4: Gunakan URL Gambar Publik dengan JavaScript

URL gambar menjaga permintaan JSON tetap kecil, tetapi URL harus dapat dijangkau secara publik oleh model hulu. Hindari tautan sementara, privat, atau yang dilindungi autentikasi kecuali aplikasi Anda terlebih dahulu mengonversi gambar ke 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);

Langkah 5: Kirim Banyak Gambar

Tempatkan beberapa blok image_url dalam pesan user yang sama dan beri tahu model cara memberi label. Label eksplisit mengurangi referensi lintas-gambar yang tidak disengaja.

{
  "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
}

Metode Masukan dan Batas

API resmi DeepSeek juga mendukung referensi gambar file_id yang dapat digunakan ulang melalui Files API. Jalur cepat CometAPI yang didokumentasikan di sini menggunakan blok image_url dengan URL publik atau data URL Base64. Verifikasi unggah file khusus penyedia dan passthrough file_id sebelum mengandalkan alur kerja tersebut melalui rute agregasi.

Cara Menyusun Prompt Model secara Efektif

Prompt agen visual yang andal harus menyatakan apa gambarnya, bukti apa yang diperiksa, tindakan apa yang diambil, dan kontrak keluaran apa yang diikuti. Prompt samar seperti describe this image memberi terlalu banyak kebebasan dan membuat hasil lebih sulit divalidasi.

• Konteks - identifikasi tangkapan layar, bagan, dokumen, atau antarmuka dan perannya dalam alur kerja.
• Tugas - tentukan keputusan, diagnosis, perbandingan, atau ekstraksi yang penting.
• Bukti - minta bukti yang terlihat, label, koordinat, nilai, atau teks UI yang dikutip.
• Batasan - larang asumsi yang tidak didukung dan beri tahu model cara menangani detail yang tidak terbaca.
• Keluaran - definisikan kunci JSON, daftar periksa, level keparahan, atau struktur lain yang dapat diperiksa mesin.

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.

Praktik Terbaik Produksi

• Potong sebelum unggah ketika teks kecil atau kontrol penting; plafon token gambar berarti latar belakang yang tidak relevan mengonsumsi resolusi visual yang terbatas.
• Uji effort thinking alih-alih mengaktifkan max untuk setiap permintaan. OCR sederhana atau klasifikasi biasanya membutuhkan penalaran lebih rendah dibanding diagnosis UI multi-langkah.
• Wajibkan bukti di setiap temuan terstruktur. Ini membuat klaim visual halusinatif lebih mudah ditolak secara otomatis.
• Pisahkan persepsi dari aksi pada otomasi berisiko tinggi. Biarkan model mendeskripsikan keadaan, validasi, lalu izinkan lapisan alat terkontrol untuk bertindak.
• Lindungi URL gambar karena URL publik dapat mengekspos tangkapan layar sensitif. Lebih suka Base64 sisi server untuk data privat dan terapkan kebijakan retensi Anda sendiri.
• Benchmark end-to-end dengan penangkapan tangkapan layar, prompt, alat, retry, dan kriteria keberhasilan yang sama seperti di produksi.
• Lacak perubahan eksperimental dengan mem-pin prompt dan data evaluasi. Endpoint -exp dapat mengubah perilaku lebih cepat daripada model GA matang.
• Catat ID permintaan dan kegagalan agar kesalahan penyedia, kesalahan model, dan kesalahan parsing aplikasi dapat dibedakan.

Batasan

Batasan terpenting adalah transparansi rute: nama Vision-Exp warisan mungkin masih diterima meskipun permintaan dilayani oleh DeepSeek-V4.1-Flash. Catat penyedia, ID model yang diminta, metadata model yang dikembalikan, dan ID permintaan; gunakan gerbang evaluasi eksplisit sebelum menetapkan tindakan otonom. Skor peluncuran historis bukan pengganti pengujian yang dapat direproduksi pada rute yang dimaksud.

Batasan kedua adalah detail visual. Pengubahan ukuran otomatis dan plafon 1024 token gambar saat ini membuat biaya dapat diprediksi tetapi mungkin tetap menekan teks kecil, tanda bagan halus, atau elemen antarmuka yang padat. Potong, ubin, atau perbesar wilayah relevan dan simpan gambar asli untuk tinjauan manusia.

Model hanya mengembalikan teks. Model dapat menganalisis gambar dan mengusulkan kode atau tindakan terstruktur, tetapi tidak menghasilkan atau mengedit gambar. Model juga hanya menerima gambar dalam pesan user, dan dokumentasi resmi menyatakan bahwa konten gambar dalam pesan system atau assistant mengembalikan error 400.

Akhirnya, penerapan lokal membutuhkan infrastruktur berat. Repositori resmi mencantumkan model 305B parameter dan menyediakan kode inferensi referensi alih-alih runtime ringan siap pakai. Bagi sebagian besar tim, evaluasi API terkelola adalah titik awal yang praktis.

Kesalahan Umum dan Perbaikannya

FAQ

Apakah DeepSeek-V4-Flash-Vision sama dengan DeepSeek-V4-Flash?

Tidak. Vision-Exp menambahkan masukan gambar native dan pelatihan multimodal. Rute Flash khusus teks tidak menyediakan kapabilitas persepsi visual yang sama.

ID model apa yang harus saya gunakan?

Gunakan deepseek-flash pada API langsung DeepSeek. Pada CometAPI, gunakan ID katalog deepseek-v4-flash-vision-exp selama rute tersebut masih tersedia.

Apakah bisa menganalisis banyak gambar?

Ya. DeepSeek mendokumentasikan hingga 600 gambar per permintaan, tunduk pada batas ukuran permintaan dan dimensi. Batas praktis mungkin lebih rendah dalam aplikasi karena latensi dan kejernihan prompt menurun seiring pertumbuhan set gambar.

Berapa banyak token yang digunakan gambar?

Pada API DeepSeek saat ini, gambar diubah ukuran dan dikonversi menjadi token dengan maksimum 1024 token per gambar. Banyak gambar dihitung secara independen.

Apakah mendukung pembuatan gambar?

Tidak. Model menerima teks dan gambar dan mengembalikan teks.

Apakah siap untuk produksi?

Ya, tetapi hanya setelah evaluasi spesifik rute. Gunakan pemantauan, fallback, tes penerimaan spesifik tugas, dan logging rute model karena alias warisan dapat di-resolve ke DeepSeek-V4.1-Flash.

Haruskah saya menggunakan CometAPI atau API langsung DeepSeek?

CometAPI berguna ketika satu kunci, satu lapisan penagihan, dan pergantian model yang mudah penting. Akses langsung DeepSeek mungkin lebih disukai ketika Anda membutuhkan fitur khusus penyedia seperti semantik Files API resmi atau harga luar puncak. Uji kedua rute terhadap beban kerja yang sama.

Kesimpulan

DeepSeek-V4.1-Flash kini menjadi rute Flash multimodal aktif pada API DeepSeek. Konteks 1M, plafon keluaran 384K, dukungan multi-antarmuka, dan plafon 1024 token per gambar menjadikannya menarik untuk pemahaman tangkapan layar, analisis bagan, coding visual, dan otomasi peramban atau GUI. Arsitektur Vision-Exp dan benchmark peluncuran dalam artikel ini dipertahankan sebagai konteks historis.

Keputusan harus tetap digerakkan oleh beban kerja. Bukti benchmark publik untuk model Vision-Exp yang dipensiunkan terutama dilaporkan vendor, alias rute saat ini dapat mengaburkan model mana yang melayani permintaan, dan pengubahan ukuran gambar masih dapat membatasi tugas detail halus. Uji rute penyedia yang tepat pada gambar representatif, ukur biaya tugas-berhasil alih-alih hanya harga token, dan pertahankan fallback hingga rute terbukti andal dalam harness produksi Anda.