O Modelo de Visão de IA que Não Custa Nada

O preço dos modelos de visão despencou. A DeepSeek agora oferece processamento de imagem por apenas US$ 0,00008 por foto. Isso não é apenas barato; é transformador, permitindo aproximadamente 11.800 imagens por dólar em horários de menor movimento. Um teste rápido com 14 fotos custou menos de 1 centavo, provando sua viabilidade para aplicações de alto volume e serviços integrados.

Essa acessibilidade sem precedentes decorre de uma decisão técnica inteligente: um limite fixo de 384 tokens para processamento de imagem. Independentemente da resolução original, as imagens de entrada consomem uma contagem de tokens mínima e consistente. O sistema escala imagens menores para aproximadamente 384x384 pixels e as maiores para 800x800, sempre preservando a proporção. Esse desacoplamento do custo em relação à contagem bruta de pixels é um divisor de águas para tarefas de visão de alto rendimento.

Conheça o DeepSeek-V4-Flash-Vision-Exp, o lançamento experimental inicial, rapidamente sucedido pelo mais refinado DeepSeek-V4.1-Flash. Este modelo esparso de Mixture-of-Experts (MoE) aproveita 13 bilhões de parâmetros ativos de um total de 284 bilhões, oferecendo capacidades impressionantes. A estratégia agressiva e de lançamento rápido da DeepSeek desafia diretamente os players estabelecidos de custo mais alto, exigindo uma reavaliação da economia e do desempenho dos modelos de visão.

DeepSeek Vision lida com texto claro e em negrito com precisão notável. Durante os testes, ele analisou corretamente textos proeminentes de embalagens como "Meridian, fully roasted and smooth" de um pote de manteiga de amendoim e "Yorkshire Tea, Decaf, Let's have a proper brew" de caixas de chá. Para tipografia de alto contraste e fonte grande, o modelo fornece uma base sólida e econômica para OCR inicial.

No entanto, o DeepSeek Vision tem dificuldades significativas com letras miúdas e detalhes sutis. Ele leu erroneamente um valor nutricional crucial de "15 gramas" como "30 gramas" em um rótulo de manteiga de amendoim e perdeu consistentemente selos pequenos e importantes como "no palm oil ever" ou "plant-based compostable tea bags". Pior ainda, ele alucinou "The Rise of Gru" na embalagem de Jammie Dodgers, inventando texto com base no contexto dos dados de treinamento em vez do conteúdo da imagem.

Essas falhas de reconhecimento não são aleatórias; elas estão diretamente relacionadas ao pré-processamento de imagem agressivo do DeepSeek Vision. O modelo reduz imagens de entrada maiores para aproximadamente 800x800 pixels, enquanto amplia as menores para 384x384. Esta etapa crucial, realizada antes da análise, muitas vezes causa perda crítica de detalhes finos; textos pequenos ou selos simplesmente desaparecem. Esse compromisso prioriza seu custo incrivelmente baixo e velocidade de processamento em vez da fidelidade perfeita em nível de pixel.

O DeepSeek Vision luta com nuances. Uma foto de maçã, por exemplo, ele identificou confiantemente como um "pêssego amarelo". Claude, em contraste, não apenas a nomeou como uma "maçã", mas especificamente como uma "maçã Gala", demonstrando conhecimento contextual superior e diferenciação de objetos refinada.

Onde o DeepSeek Vision brilha é na identificação inequívoca. Ele reconheceu com precisão um poste de luz estilo vitoriano, um "banco de parque tradicional de ripas de metal" e precisamente um **Tesla Model 3". Para objetos ou cenas distintos e comuns, seu desempenho é confiavelmente preciso, provando sua utilidade para tarefas de categorização ampla.

Os erros manifestam-se frequentemente como uma correção parcial, e não como uma falha total. O DeepSeek identificou uma folha como, bem, uma folha — mas atribuiu-a incorretamente a um "American Sycamore tree". A espécie real era um London Plane, identificado com precisão pelo Claude. Isto revela limitações no seu conhecimento botânico específico, sugerindo uma compreensão contextual menos detalhada.

Apesar destas peculiaridades, o DeepSeek Vision lida eficazmente com o reconhecimento geral de objetos pelo seu custo. A sua capacidade de classificar itens claros e distintos torna-o uma opção robusta para aplicações que não requerem detalhes granulares hiper-específicos. Explore a sua arquitetura e outras capacidades em DeepSeek | Into the Unknown. O baixo preço do modelo compensa as suas falhas ocasionais, particularmente para fluxos de trabalho de categorização ampla e de alto volume.

O DeepSeek Vision quebra a curva de preço-desempenho. Por apenas $0,00008 por foto, processa 11.800 imagens por um dólar. Esta acessibilidade sem precedentes deriva de uma arquitetura eficiente: utiliza cerca de 90 entradas de cache KV por imagem, uma vantagem de cache KV de quase 10x em relação aos ~870 do Claude.

Esta velocidade extrema e eficiência de custos trazem um compromisso claro: a precisão de topo fica em segundo plano. O DeepSeek Vision destaca-se com texto claro e arrojado, mas tem dificuldades com etiquetas desfocadas ou identificação de objetos com nuances, como visto com a maçã mal identificada ou o selo "no palm oil ever" ignorado. Também ocorrem alucinações, adicionando detalhes aleatórios como "The Rise of Gru".

Então, esta é a sua próxima vision API? Absolutamente, se o seu fluxo de trabalho prioriza o volume e a velocidade em detrimento da precisão perfeita ao nível do pixel. Implemente-o para:

• Moderação de conteúdo de alto volume
• Etiquetagem inicial de imagens
• Deteção geral de objetos onde "carro" é suficiente, não "Tesla Model 3"

Para tarefas que requerem detalhes meticulosos — como a leitura precisa de ingredientes ou identificação de espécies — modelos de maior custo e maior precisão continuam a ser indispensáveis. O DeepSeek Vision é um cavalo de batalha poderoso e de baixo custo, não um instrumento cirúrgico.

O que é o DeepSeek Vision?

O DeepSeek Vision é uma família de modelos de IA multimodal altamente económicos da DeepSeek AI. Processam texto e imagens para tarefas como descrição de imagens, deteção de objetos e reconhecimento de texto por uma fração do custo dos concorrentes.

Como é que o DeepSeek Vision é tão barato?

O seu baixo custo deve-se principalmente a uma arquitetura eficiente que limita o processamento de imagem a 384 tokens, independentemente da resolução original. Isto reduz significativamente os recursos computacionais necessários para cada análise, tornando-o económico à escala.

O DeepSeek Vision é tão preciso como modelos como o GPT-4o ou o Claude 3.5 Sonnet?

O DeepSeek Vision prioriza a relação custo-benefício e a velocidade em detrimento da precisão absoluta. Para tarefas que requerem detalhes meticulosos, como a leitura de texto muito pequeno, os modelos da OpenAI e da Anthropic podem ainda ter vantagem. Para muitas tarefas de visão geral, o seu desempenho é altamente competitivo.

Quais são os melhores casos de uso para o DeepSeek Vision?

É ideal para aplicações de alto volume e sensíveis ao custo, tais como moderação de conteúdo em grande escala, categorização básica de imagens e geração de descrições iniciais para ativos de media onde a precisão perfeita não é o requisito principal.