curl --request POST "https://gptproto.com/v1/chat/completions" \
--header "Authorization: Bearer $GPTPROTO_API_KEY" \
--header "Content-Type: application/json" \
--data '{
"model": "deepseek-v4-flash-vision-exp",
"messages": [
{
"role": "user",
"content": "Hello"
}
]
}'Chat, agents de codage et travail documentaire. Facturé par million de tokens — l'entrée, l'entrée en cache et la sortie sont facturées séparément.
| Scénario | Liste DeepSeek | OpenRouter | GPTProto | Économies / mois |
|---|---|---|---|---|
| Personnel10M tokens / mois (4.8M en cache) | $3.39 | $3.58 | $3.39 | −$0.00≈ $0.00 / an |
| Équipe100M tokens / mois (48M en cache) | $33.89 | $35.75 | $33.89 | −$0.00≈ $0.00 / an |
| Entreprise500M tokens / mois (240M en cache) | $169.44 | $178.76 | $169.44 | −$0.00≈ $0.00 / an |
DeepSeek · 1.05M context · $0.3/M input · $1.2/M output
Bytedance · 262K context · $0.0971/M input · $0.9714/M output
Bytedance · 262K context · $0.0971/M input · $0.9714/M output
Utilisez l’API DeepSeek V4 Flash Vision Exp pour combiner images, texte, raisonnement et appels d’outils dans un même flux de travail. Le modèle peut inspecter des captures d’écran, lire le texte visible, interpréter des graphiques et utiliser des preuves visuelles lorsqu’il travaille sur du code ou des tâches à plusieurs étapes. Il conserve les capacités textuelles de V4 Flash tout en ajoutant la prise en charge native des images en entrée.
Compréhension native des images
Envoyez des captures d’écran, des graphiques, des maquettes d’interface ou d’autres images accompagnées d’instructions textuelles. Le modèle renvoie du texte et peut s’appuyer sur les constats visuels pour décider quel outil appeler ensuite.
Contexte de 1 M et sortie de 384 K
Conservez de grands dépôts, de longues conversations, des résultats d’outils et des preuves visuelles dans une seule requête. Les limites documentées du modèle sont une fenêtre de contexte de 1 M de tokens et jusqu’à 384 K de tokens de sortie.
Trois formats d’API
DeepSeek documente la prise en charge de Chat Completions, Messages et Responses pour le modèle de vision, ce qui facilite la connexion des frameworks d’agents existants sans repenser l’ensemble du flux de requêtes.
Utilisation prévisible des tokens d’image
Les images sont converties en tokens d’entrée et facturées avec le texte. DeepSeek plafonne chaque image à 384 tokens, ce qui aide les équipes à estimer les coûts des flux de travail répétés avec captures d’écran et images multiples.
DeepSeek V4 Flash Vision Exp est une version multimodale expérimentale du modèle V4 Flash, publiée via l’API DeepSeek le 21 août 2026. Il accepte du texte et des images en entrée et produit du texte en sortie. DeepSeek positionne ses capacités d’agent purement textuel, de raisonnement et de connaissances du monde comme comparables à la version standard de V4 Flash, tout en signalant une amélioration substantielle sur les benchmarks d’agents nécessitant une compréhension visuelle.
La principale différence ne tient pas uniquement au légendage d’images. Un agent piloté par des outils peut recevoir une capture d’écran d’un navigateur ou d’un outil de test, identifier des problèmes de mise en page ou de contenu, modifier des fichiers, demander une nouvelle capture d’écran et réévaluer le résultat. Cela rend le modèle pertinent pour le codage frontend, le triage des régressions visuelles, l’analyse de graphiques, la revue d’images de documents et les workflows dans lesquels des preuves importantes ne sont pas disponibles sous forme de texte brut.
| Spécifications | DeepSeek V4 Flash Vision Exp |
|---|---|
| Fournisseur | DeepSeek |
| Statut de publication | Modèle API expérimental, publié le 21 août 2026 |
| ID officiel du modèle | deepseek-v4-flash-vision-exp |
| Entrée / sortie | Texte et images / texte |
| Fenêtre de contexte | 1M tokens |
| Sortie maximale | 384K tokens |
| Réflexion | Modes réflexion et non-réflexion ; le mode réflexion est la valeur par défaut documentée |
| Formats d’API | Chat Completions, Messages et Responses |
| Envoi d’images | URL externe, URL de données base64 ou Files API sur l’API officielle de DeepSeek |
| Formats d’image pris en charge | JPEG, PNG, GIF et WebP |
| Utilisation de tokens d’image | Jusqu’à 384 tokens d’entrée par image |
| Appels d’outils et sortie JSON | Pris en charge |
| Complétion FIM | Non prise en charge sur le modèle vision |
| Statut des poids ouverts | Aucun poids officiel distinct pour Vision Exp n’a été publié au 25 août 2026 |
Codage frontend piloté par captures d’écran : Donnez à un agent la conception cible, le rendu actuel dans le navigateur et les outils d’édition. Il peut identifier les différences visibles, corriger l’implémentation et examiner la capture d’écran suivante. L’inspection visuelle doit compléter les vérifications DOM et les tests automatisés, et non les remplacer.
Triage des bugs visuels : Combinez une capture d’écran d’erreur avec les journaux et les fichiers source pertinents. Le modèle peut relier ce que l’utilisateur voit aux preuves textuelles du code, puis proposer une correction encadrée ou appeler des outils de diagnostic.
Analyse de graphiques et de tableaux de bord : Demandez au modèle d’interpréter les tendances, les libellés et les anomalies visibles. Vérifiez les chiffres extraits par rapport au jeu de données sous-jacent, car la lecture visuelle ne remplace pas l’accès à des données structurées.
Revue de diapositives et d’images multiples : Utilisez des images de pages comme références pendant que l’agent rédige ou vérifie une présentation, ou faites passer des lots de captures d’écran par une grille d’évaluation cohérente. Testez les petits textes, les tableaux denses et les détails visuels fins avant de vous fier à une approbation automatisée.
Capturer les preuves : Un navigateur, un outil de test ou un utilisateur fournit une capture d’écran avec la tâche et le contexte textuel pertinent.
Inspecter et planifier : Le modèle identifie les éléments visibles, les compare aux exigences et choisit l’outil de code, de navigateur ou d’analyse suivant.
Modifier et valider : L’agent modifie des fichiers ou la configuration, exécute des vérifications déterministes et capture un nouveau rendu.
Comparer à nouveau : Le modèle examine la nouvelle image et ne poursuit que lorsque le résultat visuel et les contrôles d’acceptation non visuels concordent.
Le modèle ne reçoit pas le contrôle du navigateur simplement parce qu’il prend en charge les images. Votre application doit toujours fournir les outils, les autorisations, les délais d’attente et les critères d’acceptation. L’accès au modèle est une couche ; le harnais d’agent environnant contrôle l’exécution et la sécurité.
Le schéma officiel actuel de DeepSeek accepte JPEG, PNG, GIF et WebP. Dans le format Responses, detail: low réduit une image à 512 × 512, tandis que high, original et auto conservent l’image d’origine. Le fournisseur documente jusqu’à 600 images par requête, avec une limite de 32 Mio pour une image en ligne et de 64 Mio pour une image référencée par file_id.
Dans le format Responses, les images peuvent être placées dans les messages utilisateur ou développeur et dans les sorties d’appel d’outil. Les images dans les messages système ou assistant renvoient une erreur. Utilisez l’exemple d’utilisation de l’API GPTProto en direct comme source de vérité pour la forme de requête prise en charge et toute limite propre à la passerelle avant de mettre un workflow par lots en production.
| Facteur de décision | Vision Exp | V4 Flash |
|---|---|---|
| Statut de publication | Point de terminaison multimodal expérimental | Modèle textuel stable |
| Entrée native | Texte et images | Texte uniquement |
| Capacité textuelle | Positionné par DeepSeek comme équivalent à V4 Flash | Capacité de base de V4 Flash |
| Agents dépendants de la vision | Conçu pour utiliser des captures d’écran, des graphiques et des images renvoyées par des outils | Ignore ou ne peut pas traiter directement le contenu image natif |
| Contexte / sortie max | 1M / 384K | 1M / 384K |
| Facturation des tokens d’image | Jusqu’à 384 tokens d’entrée par image | Non applicable |
| Complétion FIM | Non prise en charge | Pris en charge en mode non-réflexion |
| Meilleur choix | Codage visuel, inspection d’interface, analyse de graphiques, boucles d’outils multimodales | Codage textuel uniquement, journaux, extraction structurée et sous-tâches d’agent à fort volume |
Choisissez Vision Exp lorsqu’une image contient des informations dont l’agent a besoin pour agir. Choisissez DeepSeek V4 Flash lorsque la charge de travail est entièrement textuelle, qu’un point de terminaison stable importe plus que l’entrée visuelle, ou que l’application convertit déjà les images en données structurées vérifiées. La comparaison publiée par DeepSeek indique que les deux variantes sont comparables sur les tâches textuelles, il y a donc peu de raisons d’acheminer chaque requête textuelle uniquement via le modèle expérimental.
Choisissez-le lorsque des captures d’écran ou des artefacts visuels apparaissent de manière répétée dans une boucle d’agent : implémentation frontend, QA basée navigateur, revue de graphiques, génération de diapositives ou cas d’assistance où l’état visible compte. Son contexte de 1M et sa sortie de 384K conviennent également aux longues sessions sur dépôt.
Utilisez un modèle textuel stable lorsque les images ne sont pas pertinentes. Pour du codage multimodal à enjeux plus élevés, comparez Vision Exp à GPT-5.6 Sol, Claude Opus 5 et Kimi K3 sur les mêmes tâches. DeepSeek ne fournit pas de résultat public comparable à ceux de ces trois modèles. Mesurez l’achèvement des tâches, les nouvelles tentatives, les appels d’outils invalides, la précision visuelle, la latence et le coût par résultat accepté avant de choisir une route par défaut.
