A DeepSeek, startup chinesa de IA com sede em Hangzhou, lançou na sexta-feira uma versão experimental de seu modelo V4 Flash que adiciona capacidades visuais ao modelo de texto. batizado de V4 Flash Vision Exp, o novo modelo consegue analisar e agir sobre prompts visuais como imagens e capturas de tela — e superou o Opus 4.8 da Anthropic em dois benchmarks visuais importantes.
O lançamento é significativo não apenas pela performance, mas pelo preço: o V4 Flash Vision Exp está disponível ao mesmo custo do modelo de texto original, com imagens custando até 384 tokens no preço do Flash. É um golpe direto nos modelos multimodais premium que cobram significativamente mais pelo processamento de imagens.
O Que é o V4 Flash Vision Exp
O V4 Flash Vision Exp é uma versão experimental do V4 Flash, modelo de bandeira focado em texto da DeepSeek. Ele mantém o desempenho em raciocínio, agentes e texto do V4 Flash original, mas adiciona suporte a entrada de imagens e análise visual.
O modelo é derivado do V4 Flash, que é um modelo de mistura de especialistas (MoE) com 284 bilhões de parâmetros. Ele compreende múltiplas redes neurais, cada uma com 13 bilhões de parâmetros. Quando um usuário insere um prompt, o modelo ativa apenas a rede neural mais adequada para gerar uma resposta — uma abordagem que usa significativamente menos hardware do que ativar o modelo inteiro.
A DeepSeek não compartilhou detalhes sobre a arquitetura específica do V4 Flash Vision Exp, mas sua página no Hugging Face contém uma visão geral detalhada do V4 Flash original, que serve como base.
Performance Contra o Opus 4.8
A DeepSeek testou o V4 Flash Vision Exp em sete benchmarks de texto e quatro benchmarks visuais. Nos testes de texto, o modelo superou seu antecessor V4 Flash em todas as áreas, exceto em um — o Cybergym, que avalia a capacidade do modelo de descobrir vulnerabilidades de software.
Os maiores ganhos vieram na análise de imagens. O modelo pontuou mais de 10% acima do V4 Flash em dois dos quatro benchmarks visuais. Mais notavelmente, o V4 Flash Vision Exp superou o Opus 4.8 da Anthropic em dois benchmarks visuais chamados ALE e ZeroBench.
O ALE contém mais de 1.000 tarefas de múltiplos passos que exigem que os modelos de linguagem interajam com aplicativos, escrevam código e interpretem arquivos de mídia. O ZeroBench, por sua vez, contém 100 tarefas de análise de imagens projetadas para serem extremamente desafiadoras para modelos de fronteira.
A Arquitetura Por Trás
O V4 Flash, que serve como base para o Vision Exp, foi treinado com 32 trilhões de tokens de dados de treinamento. A empresa usou um algoritmo chamado Muon para acelerar o fluxo de trabalho de treinamento. O Muon reduz o tempo necessário para calibrar as camadas ocultas de um modelo de linguagem — as componentes que realizam a maior parte do processamento envolvido na resposta a prompts.
Uma das inovações mais importantes do V4 Flash são duas técnicas chamadas HCA e CSA, que comprimem o KV cache — a estrutura de dados onde os modelos de linguagem armazenam as informações que usam para responder prompts. De acordo com a DeepSeek, essas tecnologias reduzem a quantidade de poder computacional necessário para processar prompts com 1 milhão de tokens em 73%.
Essa eficiência é particularmente relevante para o processamento de imagens, que consome significativamente mais tokens do que texto. O suporte a imagens do V4 Flash Vision Exp é limitado a cerca de 384 tokens de imagem após o processamento, o que mantém os custos baixos.
O Contexto Chinês
O lançamento do V4 Flash Vision Exp ocorre em um momento de intensa competição no mercado de IA chinesa. A DeepSeek é uma das principais startups de IA da China, e seus modelos anteriores foram open-sourced. A empresa pode lançar uma versão gratuita do V4 Flash Vision Exp no futuro, dado que já liberou muitos de seus modelos anteriores.
O V4 Flash é um dos dois modelos de linguagem que a DeepSeek lançou em abril. O outro modelo, chamado V4 Pro, possui mais de cinco vezes o número de parâmetros. Dado que o V4 Flash Vision Exp é derivado do V4 Flash, é possível que o V4 Pro eventualmente também forme a base de modelos especializados otimizados para tarefas como análise de imagens.
O Que Isso Significa Para a Indústria
O V4 Flash Vision Exp representa uma mudança na equação custo-benefício dos modelos multimodais. Enquanto a maioria dos provedores cobra prêmios significativos por processamento de imagens, a DeepSeek está oferecendo capacidades visuais ao mesmo custo de modelo de texto.
Para desenvolvedores e empresas, isso significa que a análise de imagens com IA de fronteira está se tornando mais acessível. O modelo está disponível na plataforma de pago para desenvolvedores da DeepSeek, e uma versão gratuita pode seguir-se.
A concorrência entre modelos chineses e americanos continua se intensificando, e o V4 Flash Vision Exp é mais um sinal de que a China está se posicionando como uma força séria no mercado de IA multimodal. A pergunta agora é se a DeepSeek conseguirá manter essa vantagem à medida que concorrentes como a Anthropic e a OpenAI continuam lançando seus próprios modelos multimodais.