El laboratorio de Inteligencia Artificial (IA) DeepSeek ha publicado un modelo multimodal experimental que, en la tabla compartida por la propia compañía, supera a Opus 4.8 de Anthropic en tres de once pruebas ('benchmarks').
El modelo es DeepSeek-V4-Flash-Vision-Exp y añade capacidad de visión al modelo previo V4-Flash, lo que le permite interpretar imágenes y capturas de pantalla, y con ello amplía sus posibilidades de uso.
"Este modelo multimodal experimental iguala a DeepSeek-V4-Flash en capacidades de texto, incluyendo agentes, razonamiento y conocimiento del mundo", afirma DeepSeek en su anuncio en X (antes Twitter), donde sostiene que es un gran salto sobre V4-Flash que acerca su rendimiento como agente multimodal al mencionado de Anthropic.
En lo que respecta al rendimiento, el laboratorio de IA afirma que, de las once pruebas, DeepSeek supera a Opus 4.8 en tres (DeepSWE, Agents' Last Exam y ZeroBench), mientras que en el resto se queda detrás, con una diferencia de doce puntos en el 'benchmark' de tareas complejas de repositorios (NL2Repo).
Comparado con la versión V4-Flash de solo texto, el modelo experimental lo supera en seis de las siete evaluaciones de texto, aunque cabe recordar que ese modelo no es capaz de ver imágenes.
Asimismo, la compañía china ha habilitado el nuevo modelo en su plataforma de API y ha lanzado la versión 0.1.1 de su entorno para agentes con soporte para este modelo.
Este modelo multimodal experimental también admite el envío de imágenes, de modo que una foto o captura de pantalla se traduce en unidades ('tokens') que se cobran al precio del texto estándar (hasta 384 por imagen).
A esto se le suma la API de archivos (Files API), que permite subir una imagen una sola vez para reutilizarla en todas las consultas que haga el usuario, en vez de cargarla cada vez.
Además, hay que contar, según el medio especializado TNW, con que el procesamiento de un millón de palabras tiene un coste de 0,87 dólares frente a los cerca de 50 dólares de Opus 4.8 de Anthropic.
