Zum Hauptinhalt springen

DeepSeek V4-Flash-Vision: Das erste Frontier-Open-Weight mit nativer Vision

Fortgeschritten

Um 00:00 UTC am 31. August 2026 hat DeepSeek still und leise ein neues Repository auf Hugging Face gepusht: deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Zehn Tage nachdem dasselbe Modell auf ihrer API live ging (21. August), sind die Gewichte jetzt MIT-lizenziert und öffentlich. Es ist das erste Modell der V4-Familie mit nativer Vision — kein Textmodell mit angeflanschtem Adapter, sondern ein gemeinsam trainiertes multimodales MoE — und seine Agent-Scores auf der Vision-Seite sprangen auf ApexBench von 26,2 auf 36,5, ohne die reinen Text-Agent-Scores überhaupt zu bewegen. Auf mehreren Agent-Benchmarks erreicht oder überholt es jetzt knapp Claude Opus 4.8, während die API 0,22 $ pro Million Input-Tokens kostet.

Diese Seite ist der praktische Field Guide, den der Launch nicht mitgeliefert hat: was sich architektonisch geändert hat, die Zahlen, die zählen, das eine harte Limit, vor dem dich niemand warnt, wie du es betreibst und wann Claude trotzdem die richtige Wahl bleibt.

What you'll learn
  • Verstehen, was 'native Vision' hier bedeutet — das V4-Flash-Backbone plus ein gemeinsam trainierter Vision-Encoder + Aligner, nicht nachträglich drangeheftet
  • Die Benchmark-Tabelle so lesen, wie der Release es meint: Text-Agents erhalten, Vision-Agents deutlich hoch, beide in Schlagdistanz zu Claude Opus 4.8
  • Das harte architektonische Limit von 384 Tokens pro Bild kennen und wissen, warum es dein Prompting verändert
  • Die ehrliche Kostenrechnung machen: 0,22 $ / 0,66 $ / 0,007 $ (gecacht) pro Million Tokens vs. Claude Opus 4.8 mit 15 $ / 75 $
  • Den richtigen Serving-Pfad wählen — gehostete API für fast alle, vLLM + DSpark für einen echten Self-Hosted-Betrieb

Die Ein-Satz-Version​

DeepSeek V4-Flash-Vision-Exp ist ein multimodales Sparse-MoE-Modell mit 305 Milliarden Parametern — 13B aktiv pro Token, 1,048M Tokens Kontext —, das dem V4-Flash-Text-Backbone gemeinsam trainierte Vision hinzufügt, am 31. August 2026 offen unter MIT auf Hugging Face erschienen ist und multimodale Leistung auf Agent-Niveau zu etwa einem Vierzigstel des Preises pro Token von Claude Opus 4.8 liefert.

Vier Dinge über V4-Flash-Vision, die nicht in den Release Notes stehen​

1. Vision wurde hinzugefügt, ohne die Text-Agents zu brechen — das ist der ganze Punkt​

Jedes offene Lab, das Vision an ein starkes Textmodell angeflanscht hat, hat dafür auf den Text-Benchmarks bezahlt. DeepSeeks Release-Tabelle ist die Machtdemonstration: auf Terminal Bench 2.1 erreicht das Vision-Modell 83,9 (vs. 82,7 für das reine Textmodell V4-Flash-0731); auf DeepSWE klettert es auf 59,3 (von 54,4); auf Toolathlon-Verified auf 75,9 (von 70,3). Keiner davon ist ein Vision-Task — es sind reine Code- und Tool-Use-Agent-Evals. Die Vision-Variante ist bei Text-Agent-Arbeit besser als der reine Text-Checkpoint, nicht schlechter.

Das ist wichtig, weil es der "Beweis" ist, auf den das Feld seit Chameleon wartet: Man kann ein riesiges MoE gemeinsam für Text und Vision trainieren, ohne dass der multimodale Zusatz eine Text-Regression verursacht — solange der Vision-Head spät genug landet und der Router weiter Text-Experten spezialisieren darf.

2. Der Vision-Encoder hat ein hartes Budget von 384 Tokens pro Bild​

Das ist die wichtigste Sache, die du lernen musst, bevor du deinen ersten Prompt schreibst. Der Vision-Encoder in V4-Flash-Vision-Exp vergibt höchstens 384 Tokens pro Bild — und diese Obergrenze ist architektonisch, keine kommerzielle Policy. Es gibt keinen "High-Detail"-Modus, der mehr freischaltet. Praktische Konsequenzen:

  • Große Screenshots verlieren feinen Text. Ein 2560×1440-Dashboard, eine dichte CSV als Bild oder eine lange PDF-Seite werden in der Auflösung kodiert, die 384 Tokens visueller Features ausdrücken können — heißt: kleiner Text überlebt den Round-Trip nicht.
  • Zuschneiden, nicht skalieren. Wenn du Zahlen von einem Chart ablesen musst, schick das Chart auf die relevante Region zugeschnitten, nicht die ganze Seite.
  • Mehrere Bilder schlagen ein riesiges Bild. Teile große Dokumente in Kacheln pro Region; jede Kachel bekommt ihr eigenes 384-Token-Budget.

Deshalb landet Chartography bei 64,3 (konkurrenzfähig mit den 65,0 von Claude Opus 4.8), aber deshalb übersieht das Modell trotzdem eine Fußnote in 12-Punkt-Schrift auf einem Ganzseiten-Screenshot. Jeder Vision-Agent-Workflow, den du baust, sollte diese Obergrenze voraussetzen.

3. Das MoE-Routing ist ungewöhnlich sparse — 6 von 256 Experten feuern pro Token​

Die meisten veröffentlichten MoE-Rezepte aktivieren 8 Experten von 32 oder 64. V4-Flash-Vision-Exp nutzt eine viel breitere Expertenbank: 256 geroutete Experten + 1 geteilter Experte, wobei nur 6 geroutete Experten pro Token feuern — eine Aktivierungsrate von 2,3 %. Das Modell hat 43 Layer, Hidden Size 4.096, und der hybride Attention-Stack kombiniert zwei Mechanismen:

  • Compressed Sparse Attention (CSA) — sparse Muster für Reads über lange Distanzen.
  • Heavily Compressed Attention (HCA) — eine aggressiv komprimierte Form für den tiefen Kontext-Schwanz.

Darüber gelegt ersetzen Manifold-Constrained Hyper-Connections (mHC) das Standard-Residual durch eine Projektion auf eine beschränkte Mannigfaltigkeit, was laut Paper die Signalausbreitung durch den 43-Layer-Stack stabilisiert. Zusammen sind sie der Grund, warum das Modell ein Kontextfenster von 1.048.576 Tokens anpreisen kann, ohne die quadratische Attention-Rechnung.

4. Der Preis ist die eigentliche Story​

Listenpreise, alle pro Million Tokens:

ModellInputOutputCache-Read
DeepSeek V4-Flash-Vision-Exp (API)0,22 $0,66 $0,007 $
Claude Opus 4.815,00 $75,00 $1,50 $
Kimi K3 (Cache-Miss / Cache-Hit)3,00 $ / 0,30 $15,00 $0,30 $

Cache-Read zu 0,007 $/M ist kein Tippfehler — das ist grob ein Zweihundertstel Cent pro tausend Tokens. Für jeden Workload, bei dem ein wiederholter System-Prompt oder ein langer Kontext erneut gesendet wird (Agent-Loops, RAG über ein statisches Korpus, Chat mit fester Persona), bricht der effektive Input-Preis zusammen. Das ist der Grund, warum V4-Flash-Vision-Exp in Agent-Kostentabellen zu einem Bruchteil dessen auftaucht, was Claude Opus 4.8 pro Task kostet, selbst wenn die rohe Qualität nur wenige Punkte auseinanderliegt.

Benchmarks — lies die Tabelle, nicht die Schlagzeile​

BenchmarkV4-Flash-Vision-ExpV4-Flash-0731Claude Opus 4.8
Text-Agents
Terminal Bench 2.183,982,785,0
NL2Repo57,754,269,7
DeepSWE59,354,458,0
Toolathlon-Verified75,970,376,2
Multimodale Agents
ApexBench (Pass@1)36,526,2†39,4
Agents' Last Exam27,325,2†25,7
Chartography64,3—65,0
ZeroBench (Pass@5)35,0—34,0

† Der frühere reine Text-Checkpoint wurde auf Bildern bewertet, die er nicht nativ lesen konnte — eine Untergrenze, kein fairer Kampf.

Die Tabelle geradeheraus gelesen:

  • Bei Text-Agent-Arbeit liegt V4-Flash-Vision-Exp durchgehend nur wenige Punkte hinter Claude Opus 4.8 und schlägt V4-Flash-0731 aktiv auf jedem Eval. Vision wurde ohne Regression hinzugefügt.
  • Bei multimodalen Agents schlägt es Claude Opus 4.8 auf Agents' Last Exam und ZeroBench Pass@5, liegt knapp zurück auf ApexBench und Chartography. Das ist der erste Open-Weight-Release, bei dem "erreicht Opus bei multimodalen Agents" kein Marketing-Satz ist.
  • Der eine Benchmark, der nicht knapp ist, ist NL2Repo (57,7 vs. 69,7). Code-Übersetzung ganzer Repositories ist weiterhin ein Ort, an dem die geschlossene Frontier einen echten Vorsprung hält.

Das Release-Muster — API zuerst, Gewichte zehn Tage später​

V4-Flash-Vision-Exp startete am 21. August 2026 auf der DeepSeek-API und landete erst am 31. August als Open Weights auf Hugging Face. Diese zehntägige Lücke ist DeepSeeks neuer Standard. Vergleiche Z.ai (GLM), die API + Gewichte gleichzeitig ausliefern; DeepSeek sequenziert absichtlich.

Die Lesart der Branche: Die Labs sind sich jetzt einig, dass große offene MoEs ausgeliefert werden. Die verbleibende Frage ist, wann im Release-Zyklus die Gewichte ankommen. Für die Produktionsplanung heißt das:

  • Wenn du On-Prem ab Tag null brauchst, achte auf Releases der GLM-Familie.
  • Wenn du auf der API starten und ein bis zwei Wochen später auf Self-Hosted umschwenken kannst, ist DeepSeek das Muster.

V4-Flash-Vision-Exp betreiben​

Es gibt drei realistische Pfade. Wähle nach den zwei Constraints, die tatsächlich zählen: ob die Gewichte auf deiner Infrastruktur liegen müssen, und wie viel VRAM (oder RAM) du bezahlen kannst.

Guided walkthrough1 of 3
  1. OpenAI-kompatibler Endpoint unter api.deepseek.com. Die Modell-ID ist deepseek-v4-flash-vision-exp. Preis: 0,22 $ / 0,66 $ / 0,007 $ pro Million Tokens. Das ist die richtige Antwort, solange du keinen Data-Residency- oder Air-Gap-Constraint hast.

Gehostete API — Python (OpenAI-kompatibel)

import openai

client = openai.OpenAI(
  api_key="YOUR_DEEPSEEK_KEY",
  base_url="https://api.deepseek.com/v1",
)

response = client.chat.completions.create(
  model="deepseek-v4-flash-vision-exp",
  messages=[
      {
          "role": "user",
          "content": [
              {"type": "text", "text": "What does this chart claim, and what's the one thing it hides?"},
              {"type": "image_url", "image_url": {"url": "https://example.com/chart.png"}},
          ],
      }
  ],
)
print(response.choices[0].message.content)

Self-Host — vLLM auf 4× GB300 mit DSpark

docker run --gpus all -p 8000:8000 \
vllm/vllm-openai:deepseekv4-flash-vision \
deepseek-ai/DeepSeek-V4-Flash-Vision-Exp \
--kv-cache-dtype fp8 \
--block-size 256 \
--tensor-parallel-size 4 \
--tool-call-parser deepseek_v4 \
--speculative-config '{"method":"dspark","model":"deepseek-ai/DeepSeek-V4-Flash-Vision-Exp","num_speculative_tokens":3}'

Lokal — Ollama mit dem Community-GGUF

ollama run hf.co/unsloth/DeepSeek-V4-Flash-Vision-Exp-GGUF:UD-Q4_K_XL

# Compact image syntax the model was trained to accept:
# <image>path/to/screenshot.png</image>  followed by your prompt

Wann du zu V4-Flash-Vision greifst — und wann du bei Claude bleibst​

Greif zu V4-Flash-Vision, wenn:

  • Du multimodale Agent-Qualität etwa auf Opus-4.8-Niveau brauchst und die Kosten eine Rolle spielen. Der Cache-Read-Preis zermalmt alles auf der geschlossenen Frontier.
  • Der Workload von einem 1M-Token-Kontext profitiert (Long-Document-VQA, Analyse ganzer Video-Frames, Review großer Repos mit Screenshots).
  • Du Open Weights für Compliance, Air-Gapped-Arbeit oder Fine-Tuning brauchst und Frontier-Hardware hast (oder mietest).
  • Du eine Chart-lastige oder Dashboard-parsende Pipeline baust, in der du das Bild-Tiling kontrollieren kannst.

Bleib bei Claude Opus 4.8 (oder Sonnet 5), wenn:

  • Der Job Code-Übersetzung oder -Synthese ganzer Repositories ist — NL2Repo ist der Ausreißer, bei dem der Abstand real ist (57,7 vs. 69,7).
  • Du Claude-spezifische Features brauchst: Extended Thinking mit Budget, Skills, Sub-Agent-Orchestrierung in Claude Code oder die Session-Budget-Kontrollen von Managed Agents.
  • Deine Prompts Bilder mit winzigem, kritischem Text enthalten und du nicht kacheln kannst — du triffst das 384-Token-Limit und verlierst Genauigkeit.
  • Du einen einzelnen Anbieter / SLA / Support-Kontakt willst und bereits in Anthropic-Tooling investiert bist.

Für ein breiteres Framework zur Modellwahl siehe Wie man ein Modell wählt. Für einen Seite-an-Seite-Vergleich der ganzen Open-Weight-Welle ist DeepSeek, Qwen & die Open-Weight-Welle der dauerhafte Überblick.

Die Fallstricke, die dich zuerst beißen​

  1. Du wirst das 384-Token-Limit vergessen. Die ersten drei Vision-Agents, die du baust, werden die Auflösung überschießen und still Genauigkeit auf kleinem Text verlieren. Instrumentiere dafür: logge die Dimensionen pro Bild und skaliere + kachle bewusst herunter.
  2. DSpark fällt still weg, wenn du --speculative-config weglässt. Ohne das Flag serviert vLLM das Modell fröhlich mit 1/3 des Throughputs, den der Release angekündigt hat. Übergib die Speculative-Config in Produktion immer.
  3. Das GGUF ist kein Laptop-Modell. UD-Q4_K_XL ist 155 GB groß. Community-Threads, die es auf kleineren Kisten "laufen" zeigen, betreiben es mit Bruchteilen von Tokens/s über SSD-Swap — technisch funktionierend, nicht nutzbar.
  4. Versionsparität zwischen API und Gewichten ist nicht garantiert. Das API-Modell kann still aktualisiert werden; die Hugging-Face-Gewichte sind auf Vision-Exp gepinnt. Wenn ein Benchmark auf der API von Monat zu Monat um ein paar Punkte wandert, liegt es daran.
  5. Exp heißt experimentell. Die Vision-Variante wird nicht garantiert in produktive V4-Releases übernommen. Bau keine kritische Pipeline auf der Annahme, dass genau dieser Checkpoint in einem Jahr noch da ist.

Quiz​

Check yourself

0/5
  1. Wie viele Parameter werden in DeepSeek V4-Flash-Vision-Exp pro Token aktiviert?
  2. Was ist das harte architektonische Limit dafür, wie viele Tokens der Vision-Encoder einem einzelnen Bild zuweist?
  3. Auf welchen Benchmarks in der Release-Tabelle schlägt V4-Flash-Vision-Exp Claude Opus 4.8 tatsächlich?
  4. Was ist der Cache-Read-Input-Preis auf der DeepSeek-API für dieses Modell?
  5. Welches Single-Node-Hardware-Profil ist der von vLLM empfohlene Pfad, um V4-Flash-Vision-Exp in Produktion selbst zu hosten?
Drücke Enter oder die Leertaste, um die Karte umzudrehen. Nutze die Pfeiltasten links und rechts, um zwischen den Karten zu wechseln.Begriff angezeigt.
1 / 11

Quellen & weiterführende Lektüre​

Weiter​