Aller au contenu principal

DeepSeek V4-Flash-Vision : le premier poids ouvert de frontière à vision native

Intermédiaire

À 00h00 UTC le 31 août 2026, DeepSeek a discrètement poussé un nouveau dépôt sur Hugging Face : deepseek-ai/DeepSeek-V4-Flash-Vision-Exp. Dix jours après la mise en ligne du même modèle sur leur API (le 21 août), les poids sont désormais publics et sous licence MIT. C'est le premier modèle de la famille V4 doté d'une vision native — non pas un modèle texte avec un adaptateur greffé, mais un MoE multimodal entraîné conjointement — et ses scores d'agent côté vision ont bondi de 26,2 à 36,5 sur ApexBench sans faire bouger d'un iota les scores d'agent en texte seul. Sur plusieurs benchmarks d'agents, il égale désormais Claude Opus 4.8 ou le dépasse de peu, alors que l'API coûte 0,22 $ le million de tokens d'entrée.

Cette page est le guide de terrain pratique qui n'accompagnait pas le lancement : ce qui a changé sur le plan architectural, les chiffres qui comptent, la seule limite stricte dont personne ne vous avertit, comment le faire tourner, et quand Claude reste le bon choix.

What you'll learn
  • Comprendre ce que « vision native » signifie ici — le tronc V4-Flash plus un encodeur de vision et un aligneur entraînés ensemble, pas rajoutés après coup
  • Lire le tableau de benchmarks comme la publication l'entend : agents texte seul préservés, agents vision en forte hausse, les deux à portée de Claude Opus 4.8
  • Connaître le plafond architectural strict de 384 tokens par image et pourquoi il change votre façon de prompter
  • Faire le calcul de coût honnête : 0,22 $ / 0,66 $ / 0,007 $ (en cache) le million de tokens contre Claude Opus 4.8 à 15 $ / 75 $
  • Choisir la bonne voie de service — l'API hébergée pour presque tout le monde, vLLM + DSpark pour un véritable auto-hébergement

La version en une phrase​

DeepSeek V4-Flash-Vision-Exp est un modèle multimodal MoE épars de 305 milliards de paramètres — 13 Md actifs par token, contexte de 1,048 M de tokens — qui ajoute une vision entraînée conjointement au tronc texte V4-Flash, sort en open source sous licence MIT sur Hugging Face le 31 août 2026, et délivre des performances multimodales de niveau agent à environ un quarantième du prix par token de Claude Opus 4.8.

Quatre choses sur V4-Flash-Vision qui ne figurent pas dans les notes de version​

1. La vision a été ajoutée sans casser les agents texte — c'est tout l'enjeu​

Chaque laboratoire ouvert ayant greffé la vision sur un modèle texte performant a payé une taxe sur les benchmarks texte. Le tableau de publication de DeepSeek est la démonstration de force : sur Terminal Bench 2.1, le modèle vision obtient 83,9 (contre 82,7 pour le V4-Flash-0731 texte seul) ; sur DeepSWE il grimpe à 59,3 (depuis 54,4) ; sur Toolathlon-Verified à 75,9 (depuis 70,3). Aucune de ces tâches n'est une tâche de vision — ce sont des évaluations d'agent purement code et usage d'outils. La variante vision est meilleure sur le travail d'agent texte que le point de contrôle texte seul, pas moins bonne.

Cela compte parce que c'est la « preuve » que le domaine attendait depuis Chameleon : on peut entraîner conjointement un énorme MoE pour le texte et la vision sans que l'ajout multimodal provoque une régression sur le texte, à condition que la tête de vision arrive assez tard et que le routeur puisse continuer à spécialiser les experts texte.

2. L'encodeur de vision a un budget strict de 384 tokens par image​

C'est la chose la plus importante à apprendre avant d'écrire votre premier prompt. L'encodeur de vision de V4-Flash-Vision-Exp alloue au maximum 384 tokens par image — et ce plafond est architectural, pas une politique commerciale. Il n'existe aucun mode « haute définition » qui en débloquerait davantage. Conséquences pratiques :

  • Les grandes captures d'écran perdent le texte fin. Un tableau de bord en 2560×1440, un CSV dense rendu sous forme d'image, ou une longue page PDF seront encodés à la résolution que 384 tokens de caractéristiques visuelles peuvent exprimer — autrement dit, le texte en petite police ne survivra pas à l'aller-retour.
  • Recadrez, ne redimensionnez pas. Si vous devez lire des chiffres sur un graphique, envoyez le graphique recadré sur la zone d'intérêt, pas la page entière.
  • Plusieurs images valent mieux qu'une image géante. Découpez les grands documents en tuiles par région ; chaque tuile obtient son propre budget de 384 tokens.

C'est pourquoi Chartography atterrit à 64,3 (compétitif face aux 65,0 de Claude Opus 4.8) mais aussi pourquoi le modèle ratera toujours une note de bas de page en corps 12 sur une capture d'écran pleine page. Tout flux de travail d'agent vision que vous construisez doit partir du principe que ce plafond existe.

3. Le routage MoE est exceptionnellement épars — 6 experts sur 256 s'activent par token​

La plupart des recettes MoE publiées activent 8 experts sur 32 ou 64. V4-Flash-Vision-Exp utilise une banque d'experts bien plus large : 256 experts routés + 1 expert partagé, avec seulement 6 experts routés qui s'activent par token — un taux d'activation de 2,3 %. Le modèle compte 43 couches, une taille cachée de 4 096, et la pile d'attention hybride combine deux mécanismes :

  • Compressed Sparse Attention (CSA) — des motifs épars pour les lectures à longue portée.
  • Heavily Compressed Attention (HCA) — une forme agressivement compressée pour la queue de contexte profond.

Par-dessus, les Manifold-Constrained Hyper-Connections (mHC) remplacent la connexion résiduelle standard par une projection sur une variété contrainte, ce qui, selon l'article, stabilise la propagation du signal à travers la pile de 43 couches. Ensemble, ces éléments expliquent pourquoi le modèle peut annoncer une fenêtre de contexte de 1 048 576 tokens sans la facture quadratique de l'attention.

4. La tarification est la vraie histoire​

Prix affichés, tous par million de tokens :

ModèleEntréeSortieLecture en cache
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 $

La lecture en cache à 0,007 $/M n'est pas une coquille — cela représente environ un deux-centième de centime pour mille tokens. Pour toute charge de travail où un prompt système répétitif ou un long contexte est renvoyé (boucles d'agents, RAG sur un corpus statique, conversation avec un persona fixe), le prix d'entrée effectif s'effondre. Voilà pourquoi V4-Flash-Vision-Exp apparaît dans les tableaux de coûts d'agents à une fraction de ce que Claude Opus 4.8 coûte par tâche, même lorsque la qualité brute tient en quelques points.

Benchmarks — lisez le tableau, pas le titre​

BenchmarkV4-Flash-Vision-ExpV4-Flash-0731Claude Opus 4.8
Agents texte
Terminal Bench 2.183,982,785,0
NL2Repo57,754,269,7
DeepSWE59,354,458,0
Toolathlon-Verified75,970,376,2
Agents multimodaux
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

† Point de contrôle antérieur en texte seul, évalué sur des images qu'il ne pouvait pas lire nativement — un plancher, pas un combat équitable.

Lecture directe du tableau :

  • Sur le travail d'agent texte, V4-Flash-Vision-Exp est à quelques points de Claude Opus 4.8 sur toute la ligne, et bat activement V4-Flash-0731 sur chaque évaluation. La vision a été ajoutée sans régression.
  • Sur les agents multimodaux, il bat Claude Opus 4.8 sur Agents' Last Exam et ZeroBench Pass@5, et talonne de peu sur ApexBench et Chartography. C'est la première publication à poids ouverts où « égale Opus sur les agents multimodaux » n'est pas une formule marketing.
  • Le seul benchmark qui n'est pas serré est NL2Repo (57,7 contre 69,7). La traduction de code à l'échelle du dépôt entier reste un domaine où la frontière fermée conserve un véritable écart.

Le schéma de publication — l'API d'abord, les poids dix jours plus tard​

V4-Flash-Vision-Exp a été lancé sur l'API DeepSeek le 21 août 2026, et n'a atterri sur Hugging Face en poids ouverts que le 31 août. Cet écart de dix jours est le nouveau réglage par défaut de DeepSeek. À comparer avec Z.ai (GLM), qui livre API et poids simultanément ; DeepSeek séquence délibérément.

La lecture qu'en fait l'industrie : les laboratoires s'accordent désormais sur le fait que les grands MoE ouverts sortiront. La question restante est à quel moment du cycle de publication les poids arrivent. Pour la planification de production, cela signifie :

  • Si vous avez besoin d'on-premise dès le jour zéro, surveillez les publications de la famille GLM.
  • Si vous pouvez démarrer sur l'API et basculer en auto-hébergé une ou deux semaines plus tard, DeepSeek est le schéma à suivre.

Faire tourner V4-Flash-Vision-Exp​

Il existe trois voies réalistes. Choisissez selon les deux contraintes qui comptent vraiment : les poids doivent-ils vivre sur votre infrastructure, et combien de VRAM (ou de RAM) pouvez-vous vous offrir.

Guided walkthrough1 of 3
  1. Endpoint compatible OpenAI sur api.deepseek.com. L'identifiant de modèle est deepseek-v4-flash-vision-exp. La tarification est de 0,22 $ / 0,66 $ / 0,007 $ le million de tokens. C'est la bonne réponse sauf si vous avez une contrainte de résidence des données ou d'isolement réseau.

API hébergée — Python (compatible OpenAI)

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)

Auto-hébergement — vLLM sur 4× GB300 avec 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}'

En local — Ollama avec le GGUF communautaire

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

Quand se tourner vers V4-Flash-Vision — et quand rester sur Claude​

Tournez-vous vers V4-Flash-Vision quand :

  • Vous avez besoin d'une qualité d'agent multimodal de l'ordre d'Opus 4.8 et que le coût est un facteur. La tarification des lectures en cache écrase tout ce que propose la frontière fermée.
  • La charge de travail bénéficie d'un contexte d'un million de tokens (VQA sur documents longs, analyse d'images de vidéos entières, revue de gros dépôts avec captures d'écran).
  • Vous avez besoin de poids ouverts pour la conformité, un travail en environnement isolé ou du fine-tuning, et vous disposez (ou louez) du matériel de classe frontière.
  • Vous construisez un pipeline riche en graphiques ou d'analyse de tableaux de bord où vous pouvez contrôler le découpage des images en tuiles.

Restez sur Claude Opus 4.8 (ou Sonnet 5) quand :

  • Le travail consiste en une traduction ou une synthèse de code à l'échelle du dépôt entier — NL2Repo est l'exception où l'écart est réel (57,7 contre 69,7).
  • Vous avez besoin de fonctionnalités propres à Claude : la réflexion étendue avec budget, les Skills, l'orchestration de sous-agents dans Claude Code, ou les contrôles de budget de session des Managed Agents.
  • Vos prompts contiennent des images avec du texte critique minuscule et vous ne pouvez pas les découper en tuiles — vous atteindrez le plafond de 384 tokens et perdrez en précision.
  • Vous voulez un seul fournisseur / SLA / contact support et vous êtes déjà investi dans l'outillage Anthropic.

Pour un cadre de choix de modèle plus large, voir Comment choisir un modèle. Pour une comparaison côte à côte de toute la vague des poids ouverts, DeepSeek, Qwen et la vague des poids ouverts est la vue d'ensemble durable.

Les pièges qui vous mordront en premier​

  1. Vous oublierez le plafond de 384 tokens. Les trois premiers agents vision que vous construirez dépasseront la résolution utile et perdront discrètement en précision sur le petit texte. Instrumentez : consignez les dimensions de chaque image et réduisez + découpez délibérément.
  2. DSpark disparaît silencieusement si vous oubliez --speculative-config. Sans l'option, vLLM servira joyeusement le modèle au tiers du débit annoncé à la publication. Passez toujours la configuration spéculative en production.
  3. Le GGUF n'est pas un modèle pour portable. UD-Q4_K_XL pèse 155 Go. Les fils de discussion communautaires qui le montrent « en fonctionnement » sur des machines plus petites le font tourner à une fraction de token par seconde via le swap SSD — techniquement opérationnel, pas utilisable.
  4. La parité de version entre l'API et les poids n'est pas garantie. Le modèle de l'API peut être mis à jour silencieusement ; les poids Hugging Face sont figés sur Vision-Exp. Si un benchmark bouge de quelques points d'un mois à l'autre sur l'API, voilà pourquoi.
  5. Exp signifie expérimental. Rien ne garantit que la variante vision survivra jusqu'aux versions V4 de production. Ne construisez pas un pipeline critique en supposant que ce point de contrôle précis existera encore dans un an.

Quiz​

Check yourself

0/5
  1. Combien de paramètres s'activent par token dans DeepSeek V4-Flash-Vision-Exp ?
  2. Quelle est la limite architecturale stricte du nombre de tokens que l'encodeur de vision alloue à une seule image ?
  3. Sur quels benchmarks du tableau de publication V4-Flash-Vision-Exp bat-il réellement Claude Opus 4.8 ?
  4. Quel est le prix d'entrée en lecture de cache sur l'API DeepSeek pour ce modèle ?
  5. Quel profil matériel mono-nœud est la voie recommandée par vLLM pour auto-héberger V4-Flash-Vision-Exp en production ?
Appuyez sur Entrée ou Espace pour retourner la carte. Utilisez les flèches gauche et droite pour naviguer entre les cartes.Terme affiché.
1 / 11

Sources et lectures complémentaires​

Suite​