Tausend Bilder für rund 17 Cent: DeepSeek gibt ein experimentelles Vision-Modell frei
DeepSeek hat am 21. August ein experimentelles Vision-Modell freigegeben. Bilder kosten bis zu 384 Token, abgerechnet zu den Preisen von V4-Flash.
DeepSeek hat am 21. August 2026 das Modell DeepSeek-V4-Flash-Vision-Exp über die eigene API freigeschaltet. Es ist die erste multimodale Variante des Anbieters: Sie verarbeitet Bilder, Screenshots und gescannte Dokumente und behält dabei nach Angaben des Unternehmens die Textfähigkeiten des reinen Textmodells V4-Flash.
Der Punkt, der aufhorchen lässt, ist die Abrechnung. Ein Bild kostet höchstens 384 Token, und diese Token werden zu den regulären V4-Flash-Preisen berechnet. Daraus ergibt sich die Zahl, die derzeit durch die Berichterstattung geht: rund 1,15 Yuan, also etwa 0,17 US-Dollar für tausend Bilder.
Was das Modell kann
Bilder lassen sich als Base64-Daten, als URL oder über die neue Files API übergeben. Letztere erlaubt es, ein Bild einmal hochzuladen und danach nur noch über eine Datei-ID zu referenzieren, was bei wiederkehrenden Auswertungen Übertragungsvolumen spart. Unterstützt werden JPEG, PNG, GIF und WebP, wobei das Format am Dateiinhalt erkannt wird und nicht an der Endung.
Die Grenzen sind für Massenverarbeitung großzügig gesetzt: bis zu 600 Bilder pro Anfrage, ein Einzelbild bis 32 MiB über Base64 oder URL und bis 64 MiB über die Files API, maximal 8.192 Pixel Kantenlänge und 4.096 Pixel, sobald mindestens 15 Bilder in einer Anfrage stecken. Das Modell normalisiert die Auflösung selbst: kleinere Bilder werden hochgerechnet, größere auf ungefähr 800 mal 800 Pixel verkleinert. Genau daraus folgt die Obergrenze von 384 Token je Bild, unabhängig davon, wie groß die Vorlage war.
Eine technische Einschränkung ist beim Aufbau von Abläufen relevant: Bilder werden nur in Nachrichten der Nutzerrolle akzeptiert. Wer sie in System- oder Assistant-Nachrichten unterbringt, bekommt einen Fehler zurück.
In der eigenen Ankündigung ordnet DeepSeek das Modell so ein:
This experimental multimodal model matches DeepSeek-V4-Flash on text capabilities - including agents, reasoning, and world knowledge.
Die Rechnung hinter den 17 Cent
Die 0,17 Dollar sind korrekt gerechnet, decken aber nur einen Teil der Kosten ab. Tausend Bilder zu je 384 Token ergeben 384.000 Eingabe-Token. DeepSeek verlangt für V4-Flash 0,44 Dollar je Million Eingabe-Token zum Spitzentarif und 0,22 Dollar außerhalb der Stoßzeiten. Auf den Spitzentarif angewendet landet man bei etwa 0,17 Dollar, außerhalb der Stoßzeiten bei rund der Hälfte.
Nicht enthalten sind die Anweisung, die mit dem Bild verschickt wird, und die Antwort des Modells. Ausgabe-Token kosten 0,66 Dollar je Million außerhalb der Stoßzeiten und 1,32 Dollar zum Spitzentarif, also das Dreifache der Eingabe. Wer je Bild eine strukturierte Antwort mit mehreren hundert Token erzeugen lässt, verschiebt den Schwerpunkt der Rechnung deutlich in Richtung Ausgabe. Wiederholt gleiche Anweisungen fallen dagegen kaum ins Gewicht: zwischengespeicherte Eingabe-Token kosten 0,007 Dollar je Million.
Der Preis hängt zusätzlich an der Uhrzeit. Die Spitzentarife gelten laut Preisliste von 01:00 bis 04:00 und von 06:00 bis 10:00 UTC, außerhalb dieser Fenster halbiert sich der Preis. Für Stapelverarbeitung, die nicht sofort fertig sein muss, ist das ein Hebel, der ohne Umbau funktioniert.
Wo das Modell zurückliegt
DeepSeek vergleicht sich in der Ankündigung mit Anthropics Opus 4.8. Bei drei Benchmarks liegt das neue Modell vorn: DeepSWE um 1,3 Punkte, Agents Last Exam um 1,6 Punkte und ZeroBench um 1,0 Punkte. Bei acht weiteren Tests liegt es zurück, teils deutlich. Bei NL2Repo stehen 57,7 gegen 69,7 Punkte, ein Abstand von zwölf Punkten.
Das relativiert die Schlagzeile vom Gleichstand. Für eng umrissene Aufgaben, bei denen ein Agent Bildschirme oder Belege liest, sind die Werte respektabel. Bei komplexeren Aufgaben mit größerem Kontext bleibt ein sichtbarer Abstand zu den teureren Modellen.
Hinzu kommt der Status: Das Modell trägt das Kürzel exp für experimentell. Weder eine Produktivversion noch eine Freigabe der Modellgewichte sind angekündigt. Wer darauf eine Anwendung aufbaut, kalkuliert mit einem Angebot, für das der Anbieter keine Zusage zur Verfügbarkeit gemacht hat.
Grenzen und offene Punkte
Vor jedem Praxiseinsatz steht die Datenschutzfrage. Bilder von Belegen, Formularen oder Bildschirmen enthalten regelmäßig personenbezogene Daten, und die Verarbeitung findet auf Servern eines chinesischen Anbieters statt. Das betrifft die Rechtsgrundlage, den Auftragsverarbeitungsvertrag und die Frage des Drittlandtransfers gleichermaßen. Ein Preisvorteil ersetzt diese Prüfung nicht.
Auch der Vergleich der Zahlen sollte vorsichtig ausfallen. Die Benchmark-Werte stammen vom Anbieter selbst, unabhängige Nachmessungen liegen bislang nicht vor. In der Dokumentation weist DeepSeek zudem darauf hin, dass das reine Textmodell V4-Flash bei zwei der Auswertungen die multimodalen Bestandteile ignoriert, was den direkten Vergleich der beiden Varianten einschränkt.
Was das für Ihr Unternehmen heißt
- Die Verarbeitung von Bildern ist nicht mehr der teure Teil eines Ablaufs. Wer Belege, Lieferscheine oder Formulare bisher wegen der Kosten manuell erfasst hat, sollte neu rechnen.
- Kalkulieren Sie mit Ausgabe-Token, nicht mit dem Schlagzeilenpreis. Bei strukturierten Antworten je Bild kann die Ausgabe den Bildpreis übersteigen.
- Stapelverarbeitung außerhalb der Stoßzeiten halbiert den Preis. Das ist eine Frage der Zeitsteuerung, nicht der Technik.
- Der Kostenblock verschiebt sich von der Verarbeitung zur Kontrolle. Was maschinell gelesen wurde, muss weiterhin geprüft werden, und dieser Aufwand sinkt nicht mit dem Token-Preis.
- Experimentelle Modelle gehören nicht ohne Rückfallebene in einen produktiven Ablauf. Halten Sie die Anbindung austauschbar, damit ein Anbieterwechsel keine Neuentwicklung bedeutet.
- Klären Sie die Datenschutzfrage vor dem Test, nicht danach. Für sensible Unterlagen kann ein europäisch gehostetes Modell trotz höherer Token-Preise die günstigere Gesamtrechnung sein.
