DeepSeek bringt V4-Flash-Vision — Multimodal zum Kampfpreis

Was ist neu? DeepSeek hat am 21. August 2026 das experimentelle Modell deepseek-v4-flash-vision-exp auf seiner API-Plattform freigeschaltet — der Einstieg des chinesischen Labors in den multimodalen Agenten-Markt. Laut den offiziellen Release Notes kombiniert das Modell die Textstärken von V4-Flash mit neuer Bildverarbeitung.

Wie gut ist es? DeepSeek selbst formuliert es so: Das Modell „matches DeepSeek-V4-Flash on text capabilities“ — es hält also bei Agenten, Reasoning und Weltwissen das Niveau des Textmodells — und bringe die multimodale Agenten-Leistung „close to Opus 4.8“, also nahe an Anthropics aktuelles Spitzenmodell. Unabhängige Benchmarks stehen noch aus; Caixin und Seeking Alpha ordnen den Anspruch als Kampfansage an die US-Labore ein.

Was kostet es? Bilder werden für die Abrechnung tokenisiert: Ein Bild verbraucht maximal 384 Tokens zu regulären V4-Flash-Preisen. Chinesische Medien rechnen vor, dass 1.000 Bilder damit schon ab rund 1 Yuan verarbeitet werden können — ein Bruchteil dessen, was westliche Frontier-Modelle verlangen.

Was kommt noch dazu? Parallel startete eine kostenlose Files API: Bilder werden einmal hochgeladen, erhalten eine file_id und lassen sich beliebig oft in Requests referenzieren, ohne erneuten Upload. Unterstützt werden Chat-Completions-, Messages- und Responses-Formate; das hauseigene Tooling DeepSeek Harness liegt in Version 0.1.1 mit eingebauter Kompatibilität vor.

Was bedeutet das für den Markt? DeepSeek wiederholt sein Preis-Playbook aus dem Textgeschäft nun bei Vision: Frontier-nahe Leistung zu radikal niedrigen Kosten. Für europäische Unternehmen, die visuelle Agenten-Workflows wie Dokumenten- oder Screenshot-Analyse testen wollen, sinkt die Einstiegshürde deutlich — die üblichen Abwägungen zu Datenstandort und Compliance bleiben.