A DeepSeek disponibilizou, a 21 de agosto, o DeepSeek-V4-Flash-Vision-Exp, um modelo experimental que acrescenta compreensão de imagens à geração de texto. A novidade permite enviar uma fotografia, captura de ecrã, gráfico ou documento juntamente com uma pergunta e receber uma resposta textual.
Imagem oficial de apresentação da DeepSeek, utilizada como capa do artigo. Crédito: DeepSeek API Docs.
O lançamento está disponível na API da DeepSeek através do identificador `deepseek-v4-flash-vision-exp`. A empresa apresenta-o como uma extensão do V4-Flash, mantendo as capacidades de texto, raciocínio e agentes do modelo anterior, mas acrescentando uma nova entrada visual.
Imagens por texto, URL ou ficheiro
Na documentação oficial, a DeepSeek indica que o modelo aceita imagens nos formatos JPEG, PNG, GIF e WebP. Os programadores podem enviá-las directamente em base64, através de um endereço URL público ou usando a Files API para carregar uma imagem e reutilizá-la em pedidos posteriores.
Código QR publicado nos canais oficiais da DeepSeek. A imagem é usada aqui como elemento contextual sobre a presença oficial da empresa e não como instrução para o leitor o utilizar.
A API também disponibiliza uma interface compatível com o formato Chat Completions e suporte para o Responses API. Na prática, um programa pode manter grande parte do fluxo usado com pedidos de texto e acrescentar blocos de conteúdo do tipo imagem.
A imagem não é processada com uma resolução ilimitada. A API redimensiona automaticamente os ficheiros antes da inferência, mantendo um limite aproximado de 384 tokens por imagem para efeitos de facturação. Uma imagem muito grande não implica necessariamente um custo proporcionalmente maior: depois do redimensionamento, várias imagens acabam por consumir o mesmo número máximo de tokens.
O que a DeepSeek mediu
A DeepSeek publicou resultados de testes realizados com o novo modelo. Nos seus próprios benchmarks, o V4-Flash-Vision-Exp obteve 36,5 pontos no ApexBench Pass@1, 27,3 no Agents’ Last Exam, 64,3 no Chartography e 35,0 no ZeroBench Pass@5.
A empresa afirma que estes resultados aproximam o modelo de sistemas como o Opus 4.8 em tarefas que exigem compreensão visual. Esta formulação deve ser lida como uma alegação da DeepSeek: os números foram publicados pela própria empresa e não equivalem, por si só, a uma validação independente.
Imagem oficial do DeepSeek Harness, que acompanha o projecto de código aberto no GitHub. O Harness recebeu suporte para pedidos multimodais e carregamento de imagens.
A designação experimental também é importante. A documentação não apresenta o modelo como uma solução final para qualquer tarefa visual. Gráficos ambíguos, documentos degradados e pedidos que dependem de pequenos detalhes devem continuar a ser verificados por uma pessoa antes de fundamentarem decisões.
O papel do DeepSeek Harness
A novidade não ficou limitada ao endpoint da API. O DeepSeek Harness passou a incluir suporte para o modelo multimodal, incluindo carregamento de imagens através da Files API e melhorias no redimensionamento e conversão dos ficheiros conforme os requisitos do modelo.
Isso dá aos programadores uma forma mais directa de experimentar agentes capazes de ler uma captura de ecrã, interpretar um gráfico ou responder a uma pergunta sobre uma imagem. O fluxo continua a devolver texto, mas a entrada deixa de estar limitada a texto puro.
Uma mudança prática, não uma promessa de modelo local
A importância desta versão está menos na palavra “multimodal” do que na forma como a capacidade chega aos programadores. Um agente que antes só recebia texto pode agora analisar elementos visuais através da mesma família de APIs, sem exigir necessariamente uma arquitectura de aplicação completamente nova.
Para utilizadores portugueses e europeus, a novidade é sobretudo uma ferramenta de desenvolvimento acessível através de um serviço remoto. Não significa que o modelo esteja a correr localmente no computador do utilizador: o artigo confirma a disponibilidade na API, enquanto as capacidades de visão são descritas pela documentação oficial do serviço.
A conclusão mais segura é simples: a DeepSeek acrescentou visão ao V4-Flash, disponibilizou-a para testes através da API e está a pedir ao mercado que avalie a tecnologia enquanto ainda a classifica como experimental. O passo seguinte será perceber se a compreensão visual se mantém fiável fora dos exemplos e benchmarks escolhidos pela própria empresa.
💬 Comentários
Nenhum comentário ainda. Sê o primeiro a comentar!