DeepSeek macht erstes Vision Modell für KI Agenten Open Source

DeepSeek hat die Gewichte seines ersten multimodalen Modells, V4-Flash-Vision-Exp, als Open Source freigegeben und stellt damit 305 Milliarden Parameter unter der MIT-Lizenz auf Hugging Face zur Verfügung. Die Veröffentlichung am 31. August schließt eine Einführung ab, die am 21. August mit dem Debüt als reines API-Angebot auf der Plattform von DeepSeek begann.huggingface+1

Für Agenten statt Chatbots entwickelt

Anders als herkömmliche Vision-Language-Modelle, die für visuelle Frage-Antwort-Systeme entwickelt wurden, ist V4-Flash-Vision-Exp für agentische Workflows konzipiert: Das Modell liest Web-Screenshots, Software-Oberflächen und Diagramme, damit KI-Agenten Aufgaben über Werkzeugaufrufe ausführen können. DeepSeek beschreibt die multimodalen Agenten-Fähigkeiten des Modells als „nahe an Opus-4.8“, dem Aushängeschild von Anthropic.news.aibase+2

Auf der Hugging-Face-Seite veröffentlichte Benchmark-Ergebnisse stützen diese Einordnung. Bei ApexBench Pass@1 erzielte das Modell 36,5 Punkte im Vergleich zu 39,4 bei Opus-4.8, während es bei Agents' Last Exam mit 27,3 Punkten knapp vor den 25,7 Punkten von Opus-4.8 lag. Die Leistung als reiner Text-Agent blieb stabil: Terminal Bench 2.1 stieg nach dem Hinzufügen visueller Fähigkeiten leicht von 82,7 auf 83,9. DeepSeek räumte jedoch auch Schwächen ein: Bei NL2Repo erreichte das Modell 57,7 Punkte und lag damit deutlich hinter den 69,7 von Opus-4.8.huggingface+1

Kostenvorteil, Abstriche bei der Geschwindigkeit

Ein erster Vergleich von The New Stack stellte V4-Flash-Vision-Exp bei neun Vision-Aufgaben dem Modell Gemini 3.7 Flash von Googles Mutterkonzern Alphabet Inc. ↘ 2.18% gegenüber. Beide Modelle erreichten eine vergleichbare Genauigkeit, doch DeepSeek kostete mit insgesamt 0,0039 US-Dollar gegenüber 0,0122 US-Dollar nur etwa ein Drittel, benötigte jedoch mehr als doppelt so lange für eine Antwort. Auf OpenRouter wird V4-Flash-Vision-Exp mit 0,22 US-Dollar pro Million Input-Tokens und 0,66 US-Dollar pro Million Output-Tokens geführt, verglichen mit 0,75 US-Dollar beziehungsweise 3,75 US-Dollar bei Gemini 3.7 Flash.openrouter+2

Aufbau des Agenten-Stacks

Das Open-Source-Paket umfasst Modellgewichte, Tokenizer, Prompt-Kodierungsreferenzen und eine minimale PyTorch-Inferenz-Implementierung. Von der Community erstellte quantisierte Versionen für llama.cpp, LM Studio und Ollama erschienen nur wenige Stunden nach der Veröffentlichung. Der Ansatz „Zuerst API, dann offene Gewichte“ spiegelt eine gezielte Strategie wider: DeepSeek veröffentlichte zeitgleich mit dem API-Debüt am 21. August auch Harness 0.1.1 für die kontinuierliche Aufgabenausführung. Das Vision-Modell fügt sich nun als Wahrnehmungsebene in ein umfassenderes Agenten-Toolkit ein.reddit+2