DeepSeek ha attivato sulla propria piattaforma API il nuovo DeepSeek-V4-Flash-Vision-Exp, un modello sperimentale che aggiunge capacità multimodali al ramo V4-Flash. La novità principale è il supporto all’input di immagini insieme al testo, con funzioni pensate per descrivere contenuti visivi, riconoscere testo negli screenshot e analizzare grafici.
Il posizionamento del modello è chiaro: sul piano del solo testo resta allineato alla versione stabile DeepSeek-V4-Flash, mentre nella comprensione visiva compie un salto netto. L’azienda indica anche un miglioramento sensibile nelle attività da Agent multimodale, con prestazioni ormai vicine a Opus-4.8 nei benchmark dedicati.
DeepSeek porta la visione nel ramo V4-Flash senza cambiare il profilo testuale
L’arrivo di V4-Flash-Vision-Exp amplia l’offerta API di DeepSeek con un modello che può lavorare su input misti testo-immagine. I formati supportati includono JPEG, PNG, GIF e WebP, una scelta che copre la maggior parte dei flussi pratici usati in automazione, assistenza documentale e lettura di contenuti da schermo.
DeepSeek lo presenta come modello sperimentale, ma il messaggio tecnico è preciso: le capacità pure di testo, comprese attività come ragionamento, conoscenza generale e uso in contesti Agent, restano sul livello della release ufficiale V4-Flash. Il vantaggio emerge quando entra in gioco la componente visiva, ciòè nei casi in cui serve leggere un’immagine e integrarla in un flusso operativo più ampio.
Le capacità multimodali puntano soprattutto all’integrazione con strumenti Agent
Uno degli aspetti più interessanti è il focus sull’integrazione con framework Agent. DeepSeek segnala una buona adattabilità multimodale all’interno di questi ambienti, con l’obiettivo di rendere più semplici scenari d’uso concreti basati su strumenti diversi.
Questo suggerisce una strategia precisa: non solo aggiungere visione a un modello generalista, ma farlo in una forma già pronta per pipeline operative, automazioni e sistemi che devono combinare testo, immagini e istruzioni strutturate. È un segnale importante anche sul piano competitivo, perché la qualità multimodale viene presentata non come funzione accessoria ma come leva diretta per aumentare l’utilità dell’API.
Come si usa DeepSeek-V4-Flash-Vision-Exp e quali sono le modalità di input immagine
L’accesso avviene impostando il modello come deepseek-v4-flash-vision-exp. La multimodalità è disponibile nelle API con tre formati di chiamata: Chat Completions, Messages e Responses. L’input misto testo-immagine può essere gestito in tre modi diversi, ciòè con immagini in base64 incorporate nella richiesta, tramite URL esterno oppure attraverso Files API.
DeepSeek ha già aperto anche la Files API, che non prevede costi aggiuntivi e permette di caricare un’immagine una sola volta per poi richiamarla con file_id nelle richieste successive. È una scelta utile soprattutto per ridurre banda e duplicazioni nei flussi ripetuti.
