23 августа, 07:08#ИИ и нейросети7 мин

У DeepSeek появилась работа с картинками: вышла модель V4-Flash-Vision

DeepSeek открыл доступ к экспериментальной версии своей модели, которая принимает на вход не только текст, но и изображения. Называется она V4-Flash-Vision-Exp, работает через платную платформу для разработчиков и стоит от $0,22 за миллион входных токенов — на порядок дешевле ведущих западных моделей. На двух визуальных тестах, по данным издания SiliconANGLE, версия обошла Claude Opus 4.8.

Коротко

DeepSeek объявил о запуске DeepSeek-V4-Flash-Vision-Exp — экспериментальной версии с пониманием изображений, анонс от 21 августа 2026 года.
Модель принимает картинки вместе с текстом; текстовые возможности остались на уровне базовой V4-Flash — рассуждения, агентные задачи, общие знания.
Базовая V4-Flash устроена как разреженная смесь экспертов: 284 млрд параметров, из которых на запрос включается 13 млрд; для экспериментальной версии со зрением архитектуру отдельно не раскрывали.
Контекстное окно — 1 048 576 токенов (в документации обозначено как 1M), ответ — до 384 000 токенов (384K).
Цена во внепиковые часы: $0,22 за миллион входных токенов и $0,66 за миллион выходных; в пиковые — вдвое дороже, $0,44 и $1,32. Чтение из кэша — $0,007 и $0,014 соответственно.
Одно изображение после автоматического сжатия занимает до 384 токенов — это доли цента за картинку.
На двух визуальных тестах — ALE и ZeroBench — версия со зрением обошла Claude Opus 4.8; об этом пишет SiliconANGLE со ссылкой на результаты модели.
Статус — экспериментальный: поведение и цены могут измениться.

Что значит «мультимодальная» и зачем это бизнесу

Первые языковые модели работали только с текстом: вы пишете — они отвечают. Мультимодальная модель принимает несколько типов данных сразу, в этом случае — текст и изображения. Практическая разница огромна: можно отправить фотографию накладной, скриншот отчёта, схему или фото товара и попросить разобрать содержимое.

Пара слов про единицы измерения. Токен — кусочек текста примерно в 3–4 символа, счёт за работу модели идёт именно в токенах. Контекстное окно — сколько токенов модель удерживает в одном разговоре: миллион токенов это примерно объём нескольких сотен страниц.

Доступ к таким моделям бывает двух видов. Через привычное окно чата — человек сидит и общается. Через программный доступ, он же API, — когда ваша система отправляет запросы сама, без участия человека: тысяча накладных за ночь, разбор фотографий товаров, автоматическая проверка документов.

DeepSeek — китайский разработчик, который в начале 2025 года встряхнул рынок дешёвыми и сильными моделями. Что это за компания и чем она отличается от западных, разбирали в отдельном материале — DeepSeek: что это за нейросеть.

Что произошло

DeepSeek объявил о запуске на своей API-платформе модели DeepSeek-V4-Flash-Vision-Exp. Это экспериментальная версия V4-Flash, к которой добавили понимание изображений.

Текстовая часть при этом не пострадала: работа с агентами, рассуждения и общие знания остались на уровне базовой модели. Компания подчёркивает, что версия экспериментальная — то есть параметры и доступность могут меняться.

Как устроена модель

Базовая V4-Flash собрана по схеме разреженной смеси экспертов: всего 284 млрд параметров, но на каждый запрос включается только 13 млрд. Такой подход даёт скорость и дешевизну работы при большом общем объёме знаний. Архитектуру самой версии со зрением компания отдельно не раскрывала.

Контекстное окно — 1 048 576 токенов, в документации оно обозначено как 1M; длина ответа — до 384 000 токенов, то есть 384K. Изображение после автоматического уменьшения занимает до 384 токенов.

Сколько это стоит

Цена доступа зависит от времени суток. Во внепиковые часы — $0,22 за миллион входных токенов и $0,66 за миллион выходных; в пиковые тарифы вдвое выше: $0,44 и $1,32. Повторное чтение из кэша стоит $0,007 и $0,014 за миллион соответственно. Пиковыми считаются часы 01:00–04:00 и 06:00–10:00 UTC с понедельника по пятницу — по московскому времени это примерно с 4 до 7 утра и с 9 до 13 часов.

Переведём в понятное: изображение занимает до 384 токенов, то есть тысяча картинок во внепиковые часы стоит около восьми центов по входным токенам плюс оплата ответов модели.

Что показывают тесты

По данным SiliconANGLE, на двух визуальных тестах — ALE и ZeroBench — версия со зрением обошла Claude Opus 4.8. Речь о результатах, опубликованных вокруг релиза; независимых широких проверок пока нет, и относиться к ним стоит как к заявке, которую рынок будет проверять. Модель доступна только через платную платформу для разработчиков.

Что это значит для бизнеса

Интерес к DeepSeek в России стабильно высокий: запрос «deepseek» набирает около 141 тысячи показов в месяц, вместе с уточнениями — свыше 294 тысяч. Появление у него работы с картинками расширяет круг задач, где дешёвая модель заменяет дорогую.

Главное следствие — цена операций с документами. Распознавание накладных, счетов, актов, фотографий с объекта, скриншотов отчётов — всё это раньше требовало либо специализированных сервисов, либо дорогих моделей. При $0,22 за миллион токенов такие задачи переходят в разряд рутинных расходов.

Второе — экспериментальный статус. Строить на такой версии критичный процесс рискованно: параметры и доступность меняются без предупреждения. Разумный сценарий — пилот на неважном участке, замер качества на своих данных, и только потом решение.

Третье — выбор модели перестаёт быть вопросом бренда. Под каждую задачу считается стоимость и качество на ваших примерах: где-то выигрывает дешёвая модель, где-то дорогая экономит на переделках. Как этот выбор делать по задачам, разбирали в обзоре нейросетей 2026 года.

Что это значит для специалиста

Владельцу бизнеса. Посмотрите на участки, где сотрудники вручную переносят данные с бумаги или скриншотов в таблицы. Именно там дешёвая модель со зрением окупается быстрее всего.
Бухгалтеру и финансисту. Разбор первичных документов по фото — самый очевидный сценарий. Проверять результат всё равно нужно: модель может ошибиться в цифре, и цена такой ошибки выше экономии.
Разработчику. Доступ идёт через API; часовые цены и лимиты у экспериментальных моделей меняются. Что такое программный доступ и как он устроен, объясняли в материале про API.
Аналитику. Работа с таблицами и выгрузками у моделей уже неплохая, а картинки добавляют разбор дашбордов и скриншотов — рядом полезен разбор нейросетей для таблиц и Excel.
Тем, кто выбирает между открытыми и закрытыми моделями. DeepSeek традиционно ближе к открытому лагерю; чем это отличается на практике, собрано в разборе открытых нейросетей.

Что делать уже сейчас

Выберите одну задачу с картинками. Накладные, чеки, фото товара, скриншоты — что-то одно, где объём измерим.
Соберите тестовый набор. Двадцать–тридцать реальных примеров, включая плохие: смазанные, перевёрнутые, с печатями.
Замерьте качество на своих данных. Заявленные бенчмарки к вашим документам отношения не имеют.
Посчитайте стоимость. Число изображений в месяц, средний размер ответа, тариф — получите расход в рублях.
Сравните с текущим решением. Ручной труд, специализированный сервис или дорогая модель — считайте по стоимости обработанного документа.
Заложите проверку. Для денежных документов результат модели проверяет человек; выборочно или полностью — решается по цене ошибки.
Не переносите критичное на экспериментальную версию. Пилот — да, единственный рабочий процесс — нет.

Чего ждать дальше

Ближайшее — появление модели у посредников и в сервисах-агрегаторах, через которые к ней получат доступ те, кто не работает с китайской платформой напрямую. Обычно это происходит за считанные дни после релиза.

Второе — давление на цены. Каждый раз, когда сильная модель выходит с ценой в разы ниже западных аналогов, конкуренты отвечают снижением тарифов или бесплатными лимитами. Для покупателя это хорошая новость.

Третье — независимые тесты. Заявка «приближается к Opus 4.8» будет проверена сторонними замерами в ближайшие недели, и картина может измениться в обе стороны.

Частые вопросы

Что нового в этой модели?
Понимание изображений: модель принимает картинки вместе с текстом. Текстовые возможности остались на уровне базовой V4-Flash.

Сколько стоит?
Во внепиковые часы — $0,22 за миллион входных токенов и $0,66 за миллион выходных, в пиковые вдвое дороже. Одно изображение занимает до 384 токенов.

Насколько она сильная?
На двух визуальных тестах, ALE и ZeroBench, она обошла Claude Opus 4.8. Широких независимых проверок пока нет.

Что означает «экспериментальная»?
Компания может менять параметры, цены и доступность без гарантий стабильности. Для критичных процессов это риск.

Какой у неё контекст?
1 048 576 токенов на запрос (в документации — 1M) и до 384 000 токенов в ответе (384K).

Чем мультимодальная модель полезна малому бизнесу?
Дешёвым разбором документов и фотографий: накладные, чеки, акты, фото с объекта, скриншоты отчётов.

Промпт: разбор фотографий документов в таблицу

Отправьте ассистенту фото или скан документа и свои требования — он вытащит данные в таблицу, отметит нечитаемые места и не станет додумывать цифры.

Промпт

Ты — специалист по обработке первичных документов с опытом переноса данных из сканов и фотографий в учётные системы. Отвечаешь за точность цифр и за честную пометку всего, что на изображении не читается.

ЗАДАЧА
Разобрать документ с фотографии или скана и выдать данные в виде таблицы, готовой к переносу в учётную систему. Отдельно — список полей, которые не читаются или вызывают сомнение.

ЧТО Я ДАЮ
— тип документа: [накладная, счёт, акт, чек, договор, фото с объекта]
— изображение: [прикладываю файл]
— какие поля мне нужны: [перечень колонок]
— куда переносить: [1С, Excel, CRM, другое]
— как оформлять даты и суммы: [формат]
— что делать с сомнительными местами: [оставлять пустым, помечать, спрашивать]

ЧТО ТЫ УЧИТЫВАЕШЬ ОБ УСЛОВИЯХ
— изображение может быть смазанным, перевёрнутым, с печатью поверх текста или обрезанным по краю;
— одна и та же сумма может встречаться в документе несколько раз: с НДС, без НДС, итогом по строке и итогом по документу;
— номера документов и артикулы часто содержат похожие символы: ноль и буква О, единица и буква I, пятёрка и буква S;
— модель со зрением сжимает изображение перед разбором (до 384 токенов на картинку), поэтому мелкий шрифт и рукописные пометки читаются хуже печатного текста;
— цена ошибки в денежном документе выше стоимости повторной проверки, поэтому сомнение всегда решается в пользу пометки «проверить».

С ЧЕГО НАЧИНАЕШЬ
Если на изображении не хватает нужного поля, спрашивай ПО ОДНОМУ ВОПРОСУ ЗА РАЗ и не подставляй правдоподобное значение. Ответы вида «наверное, стандартная ставка» не принимай ни от себя, ни от меня — либо поле видно, либо оно помечено как нечитаемое. Если тип документа не назван, определи его сам и скажи, на чём основано определение.

ПРОТОКОЛ
1. Определи тип документа и назови признаки, по которым это понятно.
2. Перечисли поля шапки: номер, дата, стороны, реквизиты, основание.
3. Разбери табличную часть построчно: наименование, количество, цена, сумма, ставка налога.
4. Проверь арифметику: сумма по строке равна количеству на цену, итог равен сумме строк, налог посчитан от нужной базы.
5. Отметь каждое поле степенью уверенности: читается точно, читается с сомнением, не читается.
6. Собери отдельный список того, что нужно перепроверить человеку, с указанием причины.
7. Выведи данные в формате, пригодном для переноса в названную мной систему.
8. Назови, что можно улучшить в самой съёмке, чтобы следующий документ читался лучше.

ФОРМАТ ОТВЕТА
Начни с трёх строк: тип документа, номер и дата, общая сумма. Дальше таблица шапки: поле — значение — уверенность. Затем таблица строк документа теми же колонками. Отдельным блоком — список «проверить человеку» с причинами. В конце — короткая заметка про качество изображения.

ПРАВИЛА
— цифры не додумываешь: нечитаемое поле помечается, а не заполняется;
— расхождение в арифметике показываешь явно, а не исправляешь молча;
— формат дат и сумм соблюдаешь ровно тот, который я задал;
— выводы о законности документа и налоговых последствиях не делаешь, это вопрос к бухгалтеру.

Способ зарабатывать на ИИ

Зарабатывайте на создании сайтов и ИИ-агентов