DeepSeek: DeepSeek V4 Flash Vision Exp

DeepSeek V4 Flash Vision Exp es un modelo experimental con capacidad de visión de DeepSeek. Se basa en DeepSeek V4 Flash 0731, añadiendo comprensión de imágenes mientras iguala al modelo base en capacidades de texto, incluido el comportamiento agéntico. El proveedor lo publicó el 2026-08-21. Se sitúa en la categoría de texto, que es donde api14 lo clasifica, aunque acepta imágenes como entrada junto con texto.

En la entrada el modelo toma texto e imágenes. En la salida devuelve solo texto, por lo que no genera imágenes. La ventana de contexto es de 1,048,576 tokens, y la salida máxima es de 262,144 tokens. Esa combinación de un contexto muy grande y un presupuesto de salida amplio significa que puedes enviar documentos largos, conjuntos grandes de imágenes o historiales de conversación extensos y aún dejar espacio para una respuesta sustancial. Dado que el soporte de visión es experimental, trata el manejo de imágenes como la parte más nueva del modelo y el manejo de texto como la parte heredada del modelo base.

Los usos prácticos se derivan de esas capacidades. Puedes pasar capturas de pantalla, diagramas, páginas escaneadas o fotografías junto con un prompt de texto y obtener una respuesta de texto, lo que se adapta a extracción de documentos, respuesta a preguntas visuales, lectura de gráficos y tablas, revisión de UI o capturas de pantalla, y generación de leyendas o resumen de contenido de imágenes. El contexto largo ayuda cuando una sola solicitud mezcla muchas imágenes con un brief escrito extenso, o cuando quieres que el modelo razone sobre un informe completo en lugar de un fragmento. El trabajo solo de texto, como redacción, resumen, clasificación y flujos de agentes impulsados por herramientas, también entra en el alcance, ya que el modelo iguala al modelo base en texto.

Lo llamas a través de la API compatible con OpenAI de api14 usando el id de modelo "deepseek/deepseek-v4-flash-vision-exp". Los parámetros de solicitud soportados son frequency_penalty, include_reasoning, logit_bias, logprobs, max_tokens, min_p, presence_penalty, reasoning, reasoning_effort, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k, top_logprobs y top_p. Ese conjunto cubre controles de muestreo, penalizaciones, semilla para reproducibilidad, secuencias de parada, límites de tokens, informe de probabilidad logarítmica, salidas estructuradas y llamada a herramientas o funciones con una elección de selección de herramienta. Los parámetros relacionados con el razonamiento te permiten solicitar o ajustar la salida de razonamiento donde el modelo lo soporte.

Hay dos cosas que conviene sopesar antes de comprometerte. El modelo está etiquetado como experimental, y la capacidad de visión es la parte que es nueva respecto al modelo base, así que si tu carga de trabajo es puramente de texto quizá prefieras el modelo base sin visión del que deriva. Si necesitas salida de imágenes en lugar de entrada de imágenes, este modelo no encajará, porque devuelve solo texto.