DeepSeek V4-Flash-Vision API nutzen: Bildeingabe-Anleitung

DeepSeeks günstigstes Modell kann jetzt sehen. Am 21. August 2026 veröffentlichte DeepSeek deepseek-v4-flash-vision-exp: eine visionsfähige Variante von V4-Flash. Sie akzeptiert Bilder über dieselbe Produktions-API zum gleichen Preis wie das Textmodell; pro Bild werden höchstens 384 Eingabetokens abgerechnet. Laut offiziellem Versionshinweis behält das Modell die Textfähigkeiten von V4-Flash bei und ergänzt Bildverständnis, das DeepSeek bei multimodalen Agenten-Benchmarks nahe an Opus 4.8 einordnet.

Apidog noch heute ausprobieren

Dieser Leitfaden zeigt, wie Sie das Modell einsetzen, Bilder übertragen, Produktionslimits berücksichtigen und multimodale Requests reproduzierbar testen. Da Vision-Requests Text, Bilddaten und oft große Payloads kombinieren, lohnt es sich, sie in Apidog zu speichern und zu prüfen, statt JSON-Payloads manuell im Terminal zu pflegen.

Was deepseek-v4-flash-vision-exp ist

Das Modell basiert auf V4-Flash-0731 und ergänzt einen Bild-Encoder. Laut DeepSeek entspricht es dem Basismodell bei Textaufgaben, einschließlich Agenten-Workloads, Argumentation und Weltwissen. Sie verlieren also nicht die Fähigkeiten von V4-Flash, wenn Sie Vision aktivieren.

Das OpenRouter-Angebot beschreibt das Modell als sparsames Mixture-of-Experts-Modell mit 13 Milliarden aktiven Parametern bei insgesamt 284 Milliarden Parametern.

V4-Flash ist DeepSeeks Budget-Linie. Den Texteinsatz behandelt unser DeepSeek-V4-Flash-API-Leitfaden; an den wirtschaftlichen Konditionen ändert Vision nichts.

Die von DeepSeek genannte Nähe zu Opus 4.8 bei multimodalen Agenten-Benchmarks ist eine Anbieterangabe. Bewerten Sie das Modell daher mit Ihren Dokumenten, Screenshots und erwarteten JSON-Ergebnissen, bevor Sie produktive Workloads migrieren.

Trotz des experimentellen Suffixes läuft das Modell über Produktionsendpunkte, mit denselben Rate Limits und SLAs wie die übrigen V4-Modelle. Es gibt keine Warteliste und keinen Sonderzugang.

Preise: Flash-Tarife inklusive Bilder

Gemäß DeepSeeks Preisübersicht entsprechen die Preise dem Textmodell deepseek-v4-flash:

	Nebenzeiten	Spitzenzeiten
Eingabe, Cache-Hit (pro 1 Mio. Tokens)	$0.007	$0.014
Eingabe, Cache-Miss (pro 1 Mio. Tokens)	$0.22	$0.44
Ausgabe (pro 1 Mio. Tokens)	$0.66	$1.32

Ein Bild wird mit maximal 384 Eingabetokens abgerechnet. Bei Spitzenzeiten und einem Cache-Miss kostet ein Bild damit ungefähr 0,00017 US-Dollar.

Berücksichtigen Sie beim Planen von Batch-Jobs zwei Punkte:

1. Nebenzeiten kosten die Hälfte. DeepSeek nennt an Wochentagen 01:00–04:00 Uhr sowie 06:00–10:00 Uhr UTC als Spitzenzeiten. Planen Sie nicht zeitkritische Vision-Batches außerhalb dieser Fenster.
2. Kontext-Caching gilt weiter. Wenn Sie denselben System- oder Anweisungs-Prompt mit vielen Bildern wiederholen, kann der wiederverwendete Kontext zum Cache-Hit-Preis abgerechnet werden.

Für die V4-Reihe nennt die Preisübersicht ein Kontextfenster von einer Million Tokens. Die praktisch verfügbare Ausgabelänge liegt deutlich darunter.

Drei Wege, ein Bild zu senden

Verwenden Sie den Chat-Completions-Endpunkt:

https://api.deepseek.com/chat/completions

Auch Messages- und Responses-Style-Requests werden unterstützt, wie die Einführung zur V4-Flash-Responses-API zeigt.

Bilder gehören in das content-Array einer Nachricht mit der Rolle user.

1. Base64 inline übertragen

Für einmalige Requests kodieren Sie die Datei als Data-URL. Die Grenze liegt bei 32 MiB pro Bild.

import base64
from openai import OpenAI

client = OpenAI(
    [REDACTED CREDENTIAL]
    base_url="https://api.deepseek.com",
)

with open("invoice.png", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Extrahieren Sie die Posten und Summen als JSON.",
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": f"data:image/png;base64,{b64}",
                    },
                },
            ],
        },
    ],
)

print(response.choices[0].message.content)

2. Eine externe Bild-URL übergeben

Wenn das Bild bereits auf einem CDN oder öffentlich erreichbaren Storage liegt, senden Sie die URL. Sie darf bis zu 8.192 Zeichen lang sein.

{
  "type": "image_url",
  "image_url": {
    "url": "https://example.com/chart.png"
  }
}

3. Eine Files-API-Referenz verwenden

Laden Sie wiederverwendete Bilder einmal hoch und referenzieren Sie sie anschließend per file_id. Die Files API akzeptiert kostenlose Bild-Uploads; bei jeder tatsächlichen Modellanfrage fallen weiterhin Eingabetokens an. Die Dateivariante erlaubt bis zu 64 MiB pro Bild.

{
  "type": "file",
  "file": {
    "file_id": "file-api-xxxxxxxxxxxxxxxx"
  }
}

Faustregel:

• Verwenden Sie Base64 für einzelne, selbstständige Requests.
• Verwenden Sie URLs, wenn Bilder bereits öffentlich auf einem CDN liegen.
• Verwenden Sie Datei-IDs, wenn ein Bild in mehreren Requests erneut benötigt wird.

Der Parameter detail

Das optionale Feld detail steuert die Bildvorverarbeitung:

• "low": Skaliert auf 512×512 herunter. Geeignet für schnelle Klassifizierung und grobe Szenenerkennung.
• "high" oder "original": Behält die Originalabmessungen bei. Nutzen Sie diese Optionen für dichte Dokumente, Belege, Tabellen und kleinen Text.
• "auto": Die API wählt die Vorverarbeitung selbst.

Intern werden Bilder für die Token-Zählung auf ungefähr 800×800 normalisiert; dadurch bleibt die Obergrenze von 384 Tokens pro Bild erhalten.

Für OCR-nahe Aufgaben sollten Sie low und high mit einem repräsentativen Korpus testen. Der Preisunterschied ist gering, die Erkennungsqualität bei kleinem Text kann aber deutlich abweichen.

Produktionslimits, die Sie vorab prüfen sollten

Einschränkung	Wert
Maximale Bilder pro Request	600
Inline-Bildgröße mit Base64	32 MiB
Bildgröße über Files API	64 MiB
Gesamter Request-Body	48 MiB
Bildabmessungen	8.192 px pro Seite; 4.096 px bei Requests mit 15+ Bildern
Länge externer URLs	8.192 Zeichen
Zulässige Bildplatzierung	Nur user-Nachrichten

Der letzte Punkt verursacht häufig 400-Fehler: Bilder in system- oder assistant-Nachrichten werden abgelehnt.

Mehrere Bilder pro Request sind erlaubt und können frei mit Text kombiniert werden. Das ist nützlich für Agenten-Schleifen, die Screenshots aufnehmen, auswerten und anschließend Aktionen ausführen.

DeepSeek veröffentlichte am selben Tag außerdem native Unterstützung in DeepSeek Harness 0.1.1. Die DeepSeek-Harness-Übersicht beschreibt diesen Stack. Tool Calling funktioniert neben Vision wie beim Textmodell; Details dazu finden Sie im Leitfaden zum Funktionsaufruf.

Was exp in der Modell-ID bedeutet

Das Suffix ist eine Kennzeichnung für einen experimentellen Endpunkt, keine Paywall. Rechnen Sie damit, dass DeepSeek das Modell kurzfristig überarbeitet oder ersetzt.

Setzen Sie deshalb drei technische Schutzmaßnahmen um:

1. Modell-ID zentral konfigurieren Hinterlegen Sie deepseek-v4-flash-vision-exp in einer Umgebungsvariable oder zentralen Konfiguration, nicht verteilt über mehrere Services.

   DEEPSEEK_VISION_MODEL=deepseek-v4-flash-vision-exp

1. Text-Fallback vorsehen
   
   Leiten Sie Requests ohne Bilder bei Bedarf an das stabile deepseek-v4-flash weiter.

2. Evaluierungen versionieren
   
   Speichern Sie Testbilder, erwartete Felder und Messergebnisse. Sobald ein Nachfolger erscheint, können Sie Ihre reale Vorher-/Nachher-Qualität messen statt nur Anbieter-Benchmarks zu vergleichen.

Praxisbeispiel: Kosten einer Dokumenten-Pipeline

Angenommen, Sie verarbeiten monatlich 50.000 gescannte Rechnungen. Jede Anfrage enthält:

• ein Bild,
• einen Anweisungs-Prompt mit 200 Tokens,
• eine JSON-Antwort mit etwa 400 Tokens.

Die Kosten zu Spitzenzeiten bei Cache-Misses:

• Bildeingabe: 50.000 × 384 = 19,2 Mio. Tokens
  
  Bei 0,44 $ pro Million Tokens: 8,45 $.

• Texteingabe: 50.000 × 200 = 10 Mio. Tokens
  
  Bei 0,44 $ pro Million Tokens: 4,40 $.
  
  Wenn der wiederholte Anweisungsblock aus dem Kontext-Cache kommt, sinkt dieser Anteil überwiegend auf den Cache-Hit-Preis: ungefähr 0,14 $.

• Ausgabe: 50.000 × 400 = 20 Mio. Tokens
  
  Bei 1,32 $ pro Million Tokens: 26,40 $.

Insgesamt ergibt das ungefähr 35 bis 40 US-Dollar pro Monat zu Spitzenzeiten und etwa die Hälfte außerhalb der Wochentagsfenster von 01:00 bis 10:00 Uhr UTC.

Die wichtigste Optimierung folgt direkt aus dieser Rechnung: Ausgabe-Tokens dominieren die Kosten. Erzwingen Sie daher kompaktes JSON statt ausführlicher Prosa, bevor Sie Zeit in Bild-Downscaling investieren.

Beispiel für eine knappe Ausgabeanweisung:

Antworte ausschließlich mit gültigem JSON:
{
  "invoice_number": "string|null",
  "date": "YYYY-MM-DD|null",
  "total": 0,
  "currency": "string|null",
  "items": [
    {
      "description": "string",
      "quantity": 0,
      "amount": 0
    }
  ]
}

Mit maximal 384 Tokens pro Screenshot verändert das Modell auch die Wirtschaftlichkeit von Screenshot-Reason-Act-Schleifen, die bei multimodalen Flaggschiffmodellen dauerhaft zu teuer sein konnten.

Multimodale Requests in Apidog testen

Vision-Requests sind manuell schwer zu pflegen: Base64-Blobs machen JSON unlesbar, und Varianten von detail erzeugen nahezu identische Payloads. Eine reproduzierbare Testschleife sieht so aus:

1. Request einmal speichern
   
   Legen Sie in einem Apidog-Projekt Variablen wie {{model_id}}, {{detail}} und den Bild-Payload an. So wechseln Sie Testbild, Modell-ID oder Detailstufe ohne den gesamten Request umzuschreiben.

2. Base64-Kodierung skripten
   
   Lesen Sie das Bild in einem Pre-Request-Skript ein und injizieren Sie den Base64-String erst vor dem Senden. Der gespeicherte Request bleibt dadurch lesbar.

3. Struktur statt Eindruck testen
   
   Wenn Sie JSON erwarten, parsen Sie die Antwort und prüfen Sie Pflichtfelder, Typen und Grenzwerte. Damit wird aus „das Ergebnis sieht gut aus“ ein wiederholbarer Bestehen/Nichtbestehen-Test für jede Modellrevision.

4. Antwortschema mocken
   
   Während Sie Prompts abstimmen, kann das Frontend gegen die erwartete Struktur entwickelt werden. Apidogs Smart Mock stellt das Schema bereit, ohne reale API-Aufrufe zu verbrauchen.

Laden Sie Apidog kostenlos herunter, speichern Sie die Testfälle, und führen Sie dieselbe Assertions-Suite erneut aus, sobald DeepSeek den experimentellen Endpunkt überarbeitet.

FAQ

Ist deepseek-v4-flash-vision-exp kostenlos?

Nein, aber die Abrechnung erfolgt zu den Flash-Tarifen des Textmodells. Bilder sind auf jeweils 384 Eingabetokens begrenzt. Der Bildspeicher der Files API ist kostenlos; Kosten entstehen, wenn ein Bild an eine Modellanfrage übergeben wird.

Ersetzt das Modell deepseek-v4-flash?

Nein. deepseek-v4-flash bleibt die stabile Text-ID. Die Vision-Variante entspricht ihr bei Textaufgaben, aber ein konservatives Routing leitet nur bildbezogenen Traffic an deepseek-v4-flash-vision-exp.

Kann ich das Modell mit einem Anthropic-ähnlichen API-Format nutzen?

Ja. DeepSeeks V4-Endpunkte akzeptieren Chat-Completions-, Messages- und Responses-Style-Requests. Bestehende Clients können daher Bildblöcke ergänzen, ohne den Request-Dialekt wechseln zu müssen. Der V4-Pro-API-Walkthrough zeigt die familienweit geteilten Endpunktmechanismen.

Wie verhält sich der Preis gegenüber GPT oder Claude Vision?

Mit 0,22 bis 0,44 US-Dollar pro Million Eingabetokens und maximal 384 Tokens pro Bild liegt das Modell preislich eine Größenordnung unter multimodalen Flaggschiff-Tarifen. Ob die Genauigkeit für Ihre Arbeitslast genügt, beantworten nur eigene Evaluierungen mit realen Beispielen.

Zusammenfassung

deepseek-v4-flash-vision-exp bringt Bildverständnis zu V4-Flash-Preisen auf Produktionsendpunkte. Sie können Bilder per Base64, öffentlicher URL oder file_id senden, müssen aber die Payload-, Größen- und Rollenlimits einhalten.

Speichern Sie den Request in Apidog, definieren Sie strukturierte Assertions und versionieren Sie Ihre Evaluierungsfälle. Damit können Sie das experimentelle Modell sofort einsetzen und einen späteren Nachfolger auf Basis Ihrer eigenen Workloads bewerten.