Das günstige Modell von DeepSeek kann jetzt sehen und übertrifft Opus 4.8 bei zwei visuellen Tests
V4-Flash-Vision-Exp erweitert das kleinere Modell von DeepSeek um Bildverständnis. Für Bilder werden jeweils bis zu 384 Token berechnet, zum gleichen Preis wie Text.
DeepSeek hat am 21. August eine experimentelle Version seines kleineren Modells veröffentlicht, die Bilder anzeigen kann. V4-Flash-Vision-Exp ist live auf der API-Plattform des Unternehmens verfügbar, behält die Textfunktionen des vorhandenen V4-Flash bei und fügt darüber hinaus Bildverständnis hinzu.
Die beiden genannten Zahlen stammen aus visuellen Benchmarks. Bei ALE, einer Reihe langer mehrstufiger Anwendungsaufgaben, erzielte das Modell von DeepSeek 27,3 Punkte, während Opus 4.8 von Anthropic 25,7 Punkte erzielte. Auf ZeroBench, einer Sammlung von 100 bewusst schwierigen Bildanalyse-Rätseln, erreichte es 35,0 gegenüber 34,0 bei Opus 4.8. Beides sind knappe Siege bei zwei Tests, kein allgemeiner Anspruch auf Überlegenheit, und DeepSeek selbst formuliert es bescheidener: Die Leistung multimodaler Agenten liegt jetzt „nahe an Opus-4.8“. Das darunter liegende Basismodell ist ein Mix-of-Experts-Design, was bedeutet, dass das vollständige Modell eine große Menge an Parametern enthält, aber nur einen kleinen Teil davon für eine bestimmte Anforderung aktiviert, wodurch die Ausführung kostengünstig bleibt.
Die praktischen Details sind wichtiger als die Bestenliste. Bilder werden für die Abrechnung in Token umgewandelt, wobei jeweils bis zu 384 Token zum normalen V4-Flash-Tarif berechnet werden. Das Hinzufügen eines Screenshots zu einer Anfrage kostet also ungefähr so viel wie ein paar Textabsätze. DeepSeek hat am selben Tag auch eine Datei-API aktiviert: Sie laden ein Bild einmal hoch, erhalten eine Datei-ID zurück und verweisen bei späteren Anfragen auf diese ID, anstatt es erneut hochzuladen. Es ist kostenlos und spart viel Bandbreite, wenn Sie dasselbe Dokument oder Diagramm wiederholt senden.
Das Wort „experimentell“ im Modellnamen leistet echte Arbeit. DeepSeek hat das Suffix „-Exp“ bereits für Modelle verwendet, die öffentlich getestet, angepasst und später in eine stabile Version umgewandelt werden. Bauen Sie noch nichts darauf auf, von dem Sie abhängig sind. Wissenswert: Dies ist eine reine API-Version. DeepSeek hat bereits für mehrere seiner Modelle offene Gewichtungen veröffentlicht, darunter auch für V4-Flash im Juli, aber für die Vision-Variante wurde bisher noch nichts veröffentlicht. Das allgemeinere Muster zeigt, dass das Sehvermögen nicht länger ein Premium-Feature ist, das den größten und teuersten Modellen vorbehalten ist. Sobald ein günstiges Modell einen Screenshot, ein Diagramm oder eine gescannte Rechnung zuverlässig lesen kann, werden viele alltägliche Automatisierungen erschwinglich, die vorher nicht möglich waren.
Was das für Sie bedeutet: Wenn Sie sich einfach nur für KI interessieren, sollten Sie Folgendes mitnehmen: „Kann es sich meinen Screenshot ansehen?“ wird schnell zu einer Standardfunktion und nicht mehr zu einem Verkaufsargument. Wenn Sie mit diesen Tools bauen, ist die interessante Zahl der Preis und nicht der Maßstab: Die Bildeingabe zu Textraten macht die Dokumentverarbeitung, das Debuggen von Screenshots und das Lesen von Diagrammen so günstig, dass Sie es in echtem Volumen ausprobieren können. Ein kleiner Vorbehalt, bevor Sie sich aufregen: Experimentelle Modelle können sich ändern oder verschwinden, und die Benchmark-Abstände liegen hier bei etwa einem Punkt, was deutlich innerhalb des Bereichs liegt, in dem ein anderer Test die Rangfolge umdrehen würde.
Quellen
Die kostenlosen Modelle von Google wurden mehr als eine Milliarde Mal heruntergeladen. Einige von ihnen laufen im Orbit
Gemma hat in zwei Jahren die Marke von einer Milliarde Downloads und 100.000 Community-Varianten erreicht. Alibabas Qwen forderte fünf Tage zuvor drei Milliarden.
