A DeepSeek acabou de lançar seu primeiro modelo de API multimodal — DeepSeek-V4-Flash-Vision-Exp — com preço de produto âncora: uma imagem conta como no máximo 384 tokens, cobrada pela mesma tarifa do texto. Isso dá aproximadamente 1,15 yuan (~US$ 0,16) por 1.000 imagens no preço de pico, contra cerca de US$ 4 no Claude Sonnet 4.6 — uma diferença de 25x que transforma silenciosamente a pergunta “este agente deve parar e olhar a tela?” em algo que nem precisa ser perguntado.
O que a DeepSeek Acabou de Lançar
O DeepSeek-V4-Flash-Vision-Exp está disponível imediatamente na API e é cobrado exatamente como o V4-Flash somente texto: 3 yuans por milhão de tokens de entrada, com desconto de 50% fora do horário de pico. A capacidade de visão é um teto, não uma sobretaxa — uma única imagem pode consumir no máximo 384 tokens, independentemente de quão densa ela seja.
O modelo também é mais forte em texto do que a versão que ele estende: em sete benchmarks de agentes, supera o V4-Flash-0731 em seis deles e, em algumas tarefas multimodais, ultrapassa os principais modelos ocidentais. Em termos simples, você não precisa mais de um segundo modelo separado só para fazer um agente ler imagens.
Teste Prático: de Screenshot a Código Pronto para Produção
Em um teste ao vivo, o modelo recebeu um screenshot da página inicial da OpenAI e foi solicitado a reproduzi-la como uma página HTML de arquivo único executável — descrever primeiro o layout, fontes, cores em hex e o ritmo de espaçamento, depois escrever o código, copiar cada palavra verbatim, restaurar estados de hover, fades de rolagem e texturas de botões, e permanecer intacto a 375px. A réplica veio praticamente idêntica.
Um segundo teste, deliberadamente diferente, pediu um deck B2B de 11 páginas para uma torrefação artesanal de café — apenas grãos single-origin de torra clara, pedido mínimo de 5 kg, três faixas reais de fornecimento e um tom artesanal e levemente teimoso, sem jargão de café de terceira onda. O modelo entregou uma proposta pronta para o cliente: números específicos, sem buzzwords do setor, nada escrito para leigos. Entra um briefing vago, sai um entregável pronto para enviar.
A Matemática do Preço por Trás de “1 Yuan por 1.000 Imagens”
Os provedores de visão cobram por token de imagem, e a variação é enorme. Segundo o benchmark de APIs de visão do TokenMix, ler uma imagem de 1024×1024 consome:
- Claude Sonnet 4.6: 1.334 tokens — cerca de US$ 4 por 1.000 imagens (~29 yuans)
- GPT-5.4 Vision: 765 tokens — cerca de US$ 1,9 por 1.000 imagens
- Gemini 3.1 Pro: 258 tokens — cerca de US$ 0,5 por 1.000 imagens
- DeepSeek V4-Flash Vision-Exp: limitado a 384 tokens
Com o preço do V4-Flash, 1.000 imagens custam cerca de 1,15 yuan no pico e menos de 0,6 yuan fora do horário de pico. Isso é uma diferença de 25x em relação à opção mais cara — e próxima de 50x fora do horário de pico.
Esse número conta toda a história: 29 yuans e 1 yuan pelas mesmas 1.000 imagens são dois designs de produto diferentes. A versão cara obriga você a decidir se vale a pena olhar uma etapa; a barata permite que um agente tire um screenshot de cada etapa e verifique o próprio trabalho. (Para ter uma noção de quão variável pode ser a qualidade da visão entre modelos, nosso benchmark de visão do GPT-5.6 Sol é uma boa referência cruzada.)
Completando o Loop do Agente em Oito Dias
A DeepSeek vem montando a stack completa de agentes às pressas. Em 13 de agosto, abriu o código do DeepSeek Harness com suporte nativo à API Responses — a metade do runtime. Em 21 de agosto, a visão entrou no ar nos formatos Chat Completions, Messages e Responses — a metade da entrada — e o Harness 0.1.1 foi lançado no mesmo dia com suporte pronto para o novo modelo, sem necessidade de código adaptador.
As imagens podem entrar de três formas: base64 inline, uma URL externa ou a recém-aberta Files API, que é gratuita e permite fazer upload uma vez e referenciar pelo file_id. Para agentes que relêem repetidamente o mesmo arquivo de design, relatório ou screenshot, isso elimina o custo de ida e volta de cada turno. Se você é novo no runtime, nosso guia de instalação de plugins do Harness apresenta o ecossistema.
Por que Multimodal 25x Mais Barato é uma Mudança Estrutural
A entrada multimodal sempre foi precificada como um adicionamento premium. A DeepSeek acabou de transformá-la em uma capacidade incluída, e isso muda as premissas de custo subjacentes ao design de agentes. Quando a visão é quase gratuita, “olhar sua própria saída” se torna uma etapa padrão de verificação, e não uma otimização — agentes capazes de verificar visualmente o próprio trabalho se comportam de forma diferente dos que apenas relêem texto.
Isso também elimina uma dor de construção: as equipes não precisam mais rotear imagens para um segundo provedor só para OCR ou compreensão de UI. Um endpoint, três formatos de API, três caminhos de entrada — a fricção que mantinha a visão fora dos loops de agentes desapareceu.
O Que Você Pode Fazer Com Isso
- Adicione autoverificações visuais aos agentes. Tire um screenshot da página renderizada e faça o modelo verificar layout, cores e conteúdo — agora custa centavos em escala.
- Use a Files API para leituras repetidas. Faça upload de um design ou relatório uma vez, referencie pelo file_id e pare de recodificar base64 a cada turno.
- Refaga a matemática do seu orçamento de visão. Se você paga sobretaxas por imagem em outros lugares, faça benchmark das suas cargas de OCR e documentos contra este endpoint.
- Teste a tarifa fora do pico. Com 50% de desconto, jobs em lote e pipelines noturnos ficam consideravelmente mais baratos.
FAQ
P: Quanto custa o DeepSeek V4-Flash Vision por imagem?
R: Uma imagem de 1024×1024 conta como no máximo 384 tokens, cobrada nas tarifas do V4-Flash (3 yuans por milhão de tokens de entrada). Isso dá cerca de 1,15 yuan por 1.000 imagens no preço de pico e menos de 0,6 yuan fora do pico — aproximadamente 25x mais barato que o Claude Sonnet 4.6.
P: Quais formatos de API o DeepSeek-V4-Flash-Vision-Exp suporta?
R: Ele suporta os formatos Chat Completions, Messages e Responses API, com três caminhos de entrada de imagem: base64 inline, URL externa e a nova Files API gratuita.
P: Quando o DeepSeek-V4-Flash-Vision-Exp foi lançado e está disponível agora?
R: Foi lançado em 21 de agosto de 2026 e está disponível imediatamente na API. O DeepSeek Harness 0.1.1, lançado no mesmo dia, o suporta de fábrica, sem código adaptador.
