DeepSeek apresenta novo modelo de visão que desafia o Opus 4.8 em testes de agentes

A DeepSeek acaba de lançar o DeepSeek V4-Flash-Vision-Exp, um modelo multimodal experimental que adiciona capacidades de compreensão de imagem às suas já notáveis habilidades textuais. Este novo modelo é uma evolução do DeepSeek V4-Flash, que o CEVIU News cobriu em 24 de abril, 3 de agosto e 4 de agosto de 2026, e agora incorpora processamento visual mantendo o desempenho em raciocínio e conhecimento de mundo.

A empresa posiciona o V4-Flash-Vision-Exp para fluxos de trabalho de agentes visuais. Ele consegue descrever imagens, extrair texto de capturas de tela e analisar diagramas. Suporta JPEG, PNG, GIF e WebP, determinando o formato pelo conteúdo real do arquivo. O modelo é compatível com as APIs Chat Completions e Responses da OpenAI, assim como com o endpoint Messages da Anthropic, mostrando sua versatilidade para desenvolvedores. Para o envio de imagens, ele permite Base64, URLs públicas e um Files API gratuito, com limites e regras de tokenização que otimizam o custo conforme o detalhe visual necessário.

A grande novidade é a capacidade de visão que o DeepSeek V4-Flash-Vision-Exp adiciona ao já conhecido DeepSeek V4-Flash. Em nossa cobertura anterior, nos dias 24 de abril, 3 de agosto e 4 de agosto de 2026, destacamos o V4-Flash por seu desempenho superior em tarefas de agentes e por redefinir o custo-benefício no mercado de modelos de IA. Agora, a DeepSeek integrou a compreensão de imagem, tornando um modelo já eficiente em texto também capaz de interpretar o mundo visual. O que era um modelo poderoso para raciocínio e linguagem pura, agora se torna multimodal, expandindo drasticamente suas aplicações.

O lançamento do DeepSeek V4-Flash-Vision-Exp é importante por diversos motivos. Ele intensifica a corrida dos modelos multimodais, colocando pressão sobre concorrentes. A DeepSeek, ao atingir desempenho próximo ao Opus 4.8 em tarefas de agentes, solidifica sua posição no mercado de IA, especialmente para aplicações que exigem tanto compreensão textual quanto visual. Para desenvolvedores, a compatibilidade com APIs amplamente utilizadas e as opções flexíveis para lidar com imagens tornam este modelo uma ferramenta prática e poderosa, acelerando a criação de agentes de IA mais inteligentes e versáteis.