deepseek-v4-flash-vision-exp — это экспериментальная vision-модель DeepSeek, созданная на базе V4 Flash с добавленной поддержкой ввода изображений: она умеет описывать изображения, считывать текст со скриншотов, читать значения на графиках и сравнивать несколько изображений. Все возможности текстовой части (контекстное окно на 1M, режим рассуждения, вызов функций, кэширование контекста) сохранены, а тарификация идентична текстовой версии V4 Flash ——
за vision не взимается дополнительная плата; изображения преобразуются во входные token в зависимости от их размеров.
APIYI завершила 124 тестовых сценария примерно в 1 100 запросах, охватывающих три канала ввода изображений, четыре формата изображений, два протокола и две группы.
Основные моменты
Без наценки за vision
Та же цена, что и для текстовой модели V4 Flash: $0.44 за входные данные и $1.32 за выходные данные на 1 млн token. Изображения преобразуются во входные token; для каждого изображения действует ограничение в 384 token.
Высокая точность распознавания в тестах
Все значения OCR на скриншоте распознаны верно, столбчатая диаграмма с 5 столбцами прочитана как 5/5, а конкретная фигура среди 36 фигур подсчитана как 24/24. Галлюцинаций при вопросах с отрицательной формулировкой не обнаружено.
Предварительное сжатие не требуется
Изображения размером 2000×2000 и 4000×4000 преобразуются ровно в одинаковое количество token (346). Исходный сервис изменяет размер за вас —— сжатие экономит только пропускную способность, но не деньги.
Оба протокола работают
Формат OpenAI (chat/completions + responses) и формат Anthropic (/v1/messages) оба проверены — каждый через собственную группу.
Информация о модели
С 2026-08-17 поставщик тарифицирует эту модель по двум уровням в зависимости от времени суток (часы пик —
01:00-04:00 и 06:00-10:00 (UTC)). APIYI взимает плату по тарифу часов пик постоянно, поэтому ваша стоимость
не меняется в зависимости от часа.
Выбор группы
Две группы в APIYI направляют запросы к разным вышестоящим эндпоинтам, поэтому их возможности неэквивалентны. Данные в таблице измерены 2026-08-21, по три повтора для каждой ячейки:Формат OpenAI → используйте группу default
Создайте token с группой default, затем:
Формат Anthropic → используйте группу ClaudeCode
Создайте token с группой ClaudeCode, затем:
Три способа отправить изображение
1. Встроенный base64 (наиболее распространённый)
2. Общедоступный URL изображения
Failed to download image.
3. Блок содержимого file (эквивалент встроенного base64)
image_url (303 для одного и того же изображения в обоих случаях).
Как тарифицируются изображения
Изображение преобразуется во входные token на основе его размеров после изменения размера и тарифицируется вместе с вашими текстовыми token по ставке $0.44 / 1M. Приведённые ниже значения измерены на APIYI с использованием фиксированного промпта и вычитанием базового значения только для текста:
Три правила, полностью соответствующие описанию поставщика:
- 384 token на изображение — жёсткий верхний предел. Максимальное измеренное значение составило 354; ни одно изображение его не превышает
- Большие изображения уменьшаются примерно до эквивалента 800×800. Поэтому изображения 2000² и 4000² стоят одинаково, а предварительное сжатие перед загрузкой экономит трафик, но не деньги
- Изображения размером менее 384×384 увеличиваются. Поэтому изображение 64×64 стоит столько же, сколько 384×384, —— нет необходимости дополнительно уменьшать маленькие изображения
Экономия token: detail: "low"
Если мелкие детали не имеют значения (определение типа изображения, распознавание объекта, приблизительная
классификация), добавьте detail: "low", чтобы уменьшить изображение до 512×512 перед выполнением:
Управление режимом рассуждения
Режим рассуждения по умолчанию включён, а текст рассуждения засчитывается в бюджетmax_tokens.
Для задач, связанных исключительно с чтением изображений, отключите его: при отключённом режиме рассуждения наши тесты показали результат 24/24, выполнялись
быстрее, позволили сохранить весь вывод рассуждения и сократили количество входных tokens ещё на 80 (системный
prompt занимает ровно столько).
Для каждого синтаксиса — по три запуска:
Кэширование контекста
При вызовах через APIYI для тарификации кэша требуются следующие группы token:
Совпадающий длинный префикс может автоматически попасть в кэш, при этом попавшая в кэш часть тарифицируется по ставке $0.014 за 1 млн.
Фактическое попадание в кэш зависит от контекста запроса и не гарантируется выбором правильной группы.
В наших тестах запросы с изображениями отличались от запросов только с текстом двумя особенностями:
Измерено для текстового префикса длиной 2304 token и одного изображения размером 800×800:
В кэш попадает ровно тот текст, который находится перед изображением; изображение и всё, что следует после него, каждый раз тарифицируются по полной цене. Поэтому размещайте фиксированные длинные инструкции перед изображением, чтобы они кэшировались —— всё, что размещено после изображения, никогда не попадёт в кэш.
В формате Anthropic эти поля называются
cache_read_input_tokens и
cache_creation_input_tokens и работают таким же образом. Обратите внимание, что явные маркеры cache_control
не оказывают никакого эффекта (в исходной системе используется автоматическое кэширование префикса), а два протокола
по-разному сообщают об использовании: prompt_tokens в OpenAI всегда содержит полный счётчик, тогда как input_tokens в Anthropic
после попадания в кэш уменьшается до некэшированного остатка —— эти значения нельзя напрямую сопоставить.Поддерживаемые форматы изображений
Все четыре поддерживаемых формата преобразуются в одинаковое количество token, поэтому контейнер никогда не влияет на стоимость.
Проверенная матрица возможностей
Измерено APIYI 21.08.2026:Выборочные проверки точности
Ограничения и распространённые ошибки
Лимит контекстного окна в размере 1,048,576 измеряется, и сообщение об ошибке показывает, что
max_tokens
учитывается в том же общем лимите (… in the messages, … in the completion). При формировании
длинного контекста оставляйте место для бюджета вывода, иначе вы достигнете лимита.You have uploaded an unsupported image—— формат не входит в число четырёх поддерживаемых или данные base64 поврежденыFailed to download image—— URL недоступен или время ожидания превысило 60 секундImage in assistant message is unsupported—— изображения могут присутствовать только в сообщенияхuser
При тестировании примерно 1–3% запросов завершались с бесшумным закрытием соединения
(на стороне клиента это отображалось как SSL EOF или тайм-аут рукопожатия). Это не связано с изображениями
и не связано с группой —— это периодически возникающее событие на уровне транспорта. Всегда устанавливайте
тайм-аут чтения и повторяйте запрос; в противном случае один запрос может зависнуть более чем на две минуты.
См. раздел Настройка тайм-аутов.
Полные примеры
Формат OpenAI (default группа)
Формат Anthropic (ClaudeCode группа)
Связанная документация
API понимания изображений
Общие шаблоны вызовов и сравнения моделей для работы с изображениями
DeepSeek V4 Flash
Текстовый аналог на той же базе, с контекстом 1M и двумя эндпоинтами
Выбор группы
Различия между группами Codex, ClaudeCode и Default и рекомендации по выбору
Настройка тайм-аутов
Рекомендуемые настройки тайм-аута чтения клиента и повторных попыток