El modelo de visión por IA que no cuesta nada

Los precios de los modelos de visión se han desplomado. DeepSeek ahora ofrece procesamiento de imágenes por tan solo $0.00008 por foto. Esto no es solo barato; es transformador, permitiendo aproximadamente 11,800 imágenes por dólar en tarifas fuera de horas pico. Una prueba rápida con 14 fotos costó menos de 1 penique, lo que demuestra su viabilidad para aplicaciones de alto volumen y servicios integrados.

Esta asequibilidad sin precedentes proviene de una decisión técnica inteligente: un límite fijo de 384 tokens para el procesamiento de imágenes. Independientemente de la resolución original, las imágenes de entrada consumen un conteo de tokens mínimo y consistente. El sistema escala las imágenes más pequeñas hasta aproximadamente 384x384 píxeles y las más grandes hasta 800x800, preservando siempre la relación de aspecto. Este desacoplamiento del costo respecto al conteo de píxeles brutos es un cambio radical para las tareas de visión de alto rendimiento.

Conozca DeepSeek-V4-Flash-Vision-Exp, el lanzamiento experimental inicial, rápidamente sucedido por el más refinado DeepSeek-V4.1-Flash. Este modelo de mezcla de expertos dispersa (MoE) aprovecha 13 mil millones de parámetros activos de un total de 284 mil millones, ofreciendo capacidades impresionantes. La estrategia de lanzamiento agresiva y rápida de DeepSeek desafía directamente a los actores establecidos de mayor costo, exigiendo una reevaluación de la economía y el rendimiento de los modelos de visión.

DeepSeek Vision maneja texto claro y en negrita con una precisión notable. Durante las pruebas, analizó correctamente texto destacado en envases como "Meridian, fully roasted and smooth" de un frasco de mantequilla de maní y "Yorkshire Tea, Decaf, Let's have a proper brew" de cajas de té. Para tipografía de alto contraste y fuente grande, el modelo proporciona una base sólida y rentable para un OCR inicial.

Sin embargo, DeepSeek Vision tiene dificultades significativas con la letra pequeña y los detalles matizados. Leyó erróneamente un valor nutricional crucial de "15 gramos" como "30 gramos" en una etiqueta de mantequilla de maní y pasó por alto constantemente insignias pequeñas e importantes como "no palm oil ever" o "plant-based compostable tea bags". Peor aún, alucinó "The Rise of Gru" en el empaque de Jammie Dodgers, inventando texto basado en el contexto de los datos de entrenamiento en lugar del contenido de la imagen.

Estos fallos de reconocimiento no son aleatorios; se relacionan directamente con el agresivo preprocesamiento de imágenes de DeepSeek Vision. El modelo reduce las imágenes de entrada más grandes a aproximadamente 800x800 píxeles, mientras que escala las más pequeñas a 384x384. Este paso crucial, realizado antes del análisis, a menudo causa una pérdida crítica de detalles finos; el texto pequeño o las insignias simplemente desaparecen. Esta compensación prioriza su costo increíblemente bajo y su velocidad de procesamiento sobre la fidelidad perfecta a nivel de píxel.

DeepSeek Vision tiene dificultades con los matices. Una foto de una manzana, por ejemplo, la identificó con confianza como un "melocotón amarillo". Claude, por el contrario, no solo la nombró "manzana", sino específicamente "manzana Gala", demostrando un conocimiento contextual superior y una diferenciación de objetos de grano fino.

Donde brilla DeepSeek Vision es en la identificación inequívoca. Reconoció con precisión una farola de estilo victoriano, un "banco de parque tradicional de listones de metal" y precisamente un **Tesla Model 3". Para objetos o escenas distintos y comunes, su rendimiento es confiablemente preciso, lo que demuestra su utilidad para tareas de categorización amplia.

Los errores a menudo se manifiestan como una corrección parcial, no como un fallo total. DeepSeek identificó una hoja como, bueno, una hoja, pero la atribuyó erróneamente a un "American Sycamore tree". La especie real era un London Plane, identificado con precisión por Claude. Esto revela limitaciones en su conocimiento botánico específico, lo que sugiere una comprensión contextual menos detallada.

A pesar de estas peculiaridades, DeepSeek Vision maneja el reconocimiento general de objetos de manera efectiva para su costo. Su capacidad para clasificar elementos claros y distintos la convierte en una opción sólida para aplicaciones que no requieren un detalle granular hiperespecífico. Explore su arquitectura y capacidades adicionales en DeepSeek | Into the Unknown. El bajo precio del modelo compensa sus fallos ocasionales, particularmente para flujos de trabajo de categorización amplia y de alto volumen.

DeepSeek Vision rompe la curva de precio-rendimiento. Por solo $0.00008 por foto, procesas 11,800 imágenes por un dólar. Esta asequibilidad sin precedentes proviene de una arquitectura eficiente: utiliza aproximadamente 90 entradas de caché KV por imagen, una ventaja de caché KV de casi 10 veces sobre las ~870 de Claude.

Esta velocidad extrema y eficiencia de costos vienen con una clara compensación: la precisión de primer nivel pasa a un segundo plano. DeepSeek Vision sobresale con texto claro y audaz, pero tiene dificultades con etiquetas borrosas o identificación matizada de objetos, como se vio con la manzana mal identificada o la insignia "no palm oil ever" omitida. También ocurren alucinaciones, añadiendo detalles aleatorios como "The Rise of Gru".

Entonces, ¿es esta tu próxima Vision API? Absolutamente, si tu flujo de trabajo prioriza el volumen y la velocidad sobre la precisión perfecta a nivel de píxel. Despliégala para:

• Content moderation de alto volumen
• Etiquetado inicial de imágenes
• Detección general de objetos donde "coche" es suficiente, no "Tesla Model 3"

Para tareas que requieren un detalle meticuloso, como el escaneo preciso de ingredientes o la identificación de especies, los modelos de mayor costo y mayor precisión siguen siendo indispensables. DeepSeek Vision es un caballo de batalla potente y de bajo costo, no un instrumento quirúrgico.

¿Qué es DeepSeek Vision?

DeepSeek Vision es una familia de modelos de IA multimodal altamente rentables de DeepSeek AI. Procesan tanto texto como imágenes para tareas como la descripción de imágenes, detección de objetos y reconocimiento de texto a una fracción del costo de la competencia.

¿Cómo es DeepSeek Vision tan barata?

Su bajo costo se debe principalmente a una arquitectura eficiente que limita el procesamiento de imágenes a 384 tokens, independientemente de la resolución original. Esto reduce significativamente los recursos computacionales necesarios para cada análisis, haciéndolo económico a gran escala.

¿Es DeepSeek Vision tan precisa como modelos como GPT-4o o Claude 3.5 Sonnet?

DeepSeek Vision prioriza la rentabilidad y la velocidad sobre la precisión absoluta. Para tareas que requieren un detalle meticuloso, como leer texto muy pequeño, los modelos de OpenAI y Anthropic pueden seguir teniendo ventaja. Para muchas tareas de visión general, su rendimiento es altamente competitivo.

¿Cuáles son los mejores casos de uso para DeepSeek Vision?

Es ideal para aplicaciones de alto volumen y sensibles al costo, como la moderación de contenido a gran escala, la categorización básica de imágenes y la generación de descripciones iniciales para activos multimedia donde la precisión perfecta no es el requisito principal.