DeepSeek ra mắt mô hình thị giác DeepSeek-v4-flash-vision-exp: Phân tích hình ảnh, biểu đồ và ảnh chụp màn hình

DeepSeek vừa công bố mô hình ngôn ngữ đa phương thức mới mang tên deepseek-v4-flash-vision-exp, đánh dấu bước tiến quan trọng trong việc mở rộng khả năng xử lý hình ảnh của hệ sinh thái API. Mô hình này cho phép lập trình viên gửi ảnh kèm văn bản để mô tả nội dung, đọc chữ từ ảnh chụp màn hình, phân tích biểu đồ và nhiều tác vụ thị giác máy tính khác. Điểm đáng chú ý là mô hình hỗ trợ cả các API tương thích OpenAI lẫn Anthropic, mang lại sự linh hoạt tối đa cho nhà phát triển.

Tính năng nổi bật của mô hình

deepseek-v4-flash-vision-exp chấp nhận đầu vào là hình ảnh kèm theo văn bản, mở ra nhiều ứng dụng thực tế như mô tả ảnh, trích xuất văn bản từ ảnh chụp màn hình, và phân tích dữ liệu trực quan từ biểu đồ. Mô hình hỗ trợ các định dạng ảnh phổ biến nhất hiện nay:

• JPEG – định dạng ảnh nén phổ biến nhất
• PNG – hỗ trợ nền trong suốt
• GIF – ảnh động
• WebP – định dạng hiện đại của Google

Điểm đặc biệt là hệ thống tự động phát hiện định dạng dựa trên nội dung thực tế của file, không phụ thuộc vào tên file hay MIME type khai báo. Điều này giúp giảm thiểu lỗi khi xử lý ảnh từ nhiều nguồn khác nhau.

Ba phương thức gửi ảnh linh hoạt

Nhà phát triển có thể gửi ảnh đến mô hình theo ba cách khác nhau, tùy thuộc vào nhu cầu và kịch bản sử dụng:

1. Mã hóa Base64 trực tiếp

Đây là cách đơn giản nhất cho file ảnh cục bộ – mã hóa ảnh thành chuỗi Base64 và nhúng trực tiếp vào request dưới dạng data URL. Tuy nhiên, cần lưu ý dung lượng dữ liệu mã hóa sẽ được tính vào giới hạn 48 MiB của body request.

2. Sử dụng URL ảnh bên ngoài

Phương thức này cho phép truyền URL công khai của ảnh (http/https) và mô hình sẽ tự tải ảnh về. URL tối đa 8192 ký tự, ảnh tối đa 32 MiB và thời gian tải phải hoàn tất trong 60 giây. Nếu URL quá dài, nên chuyển sang dùng Base64 hoặc Files API.

3. Tham chiếu file qua Files API

Đây là lựa chọn tối ưu khi cần tái sử dụng cùng một ảnh trong nhiều request, hoặc khi ảnh quá lớn vượt giới hạn 48 MiB của inline request. Ảnh tải lên qua Files API có thể lên đến 64 MiB và không bị kiểm tra giới hạn 32 MiB mỗi ảnh như hai phương thức trên.

Kiểm soát độ chi tiết khi xử lý ảnh

For image_url inputs, developers can set the detail field to control processing:

• low – thu nhỏ ảnh về 512x512 trước khi xử lý, nhanh và tiết kiệm token
• high – giữ nguyên ảnh gốc (tương đương với original)
• original – giữ nguyên ảnh gốc
• auto – tự động chọn, hiện tương đương original

Tính năng này đặc biệt hữu ích khi cần tối ưu chi phí cho các tác vụ không đòi hỏi chi tiết cao.

Cơ chế tính token thông minh

Mô hình tự động thay đổi kích thước ảnh trước khi xử lý, giúp tối ưu chi phí token:

• Ảnh nhỏ hơn khoảng 384x384 pixel sẽ được phóng to giữ tỷ lệ
• Ảnh lớn hơn sẽ được thu nhỏ tương đương kích thước 800x800 pixel

Nhờ vậy, mỗi ảnh chỉ tiêu tốn tối đa 384 token, bất kể kích thước gốc như thế nào. Một ảnh 2000x2000 và một ảnh 5000x5000 sẽ tiêu tốn cùng số token. Khi request chứa nhiều ảnh, mỗi ảnh được tính độc lập theo quy tắc này.

Giới hạn và hạn chế cần biết

Thông số	Giới hạn
Định dạng hỗ trợ	JPEG, PNG, GIF, WebP
Độ dài URL ngoài	8192 ký tự
Dung lượng body request	48 MiB
Kích thước ảnh tối đa (Base64/URL)	32 MiB
Kích thước ảnh tối đa (Files API)	64 MiB
Số ảnh tối đa mỗi request	600 ảnh
Tổng dung lượng ảnh mỗi request	64 MiB (không file_id) hoặc 200 MiB (có file_id)
Kích thước ảnh tối đa	8192px mỗi cạnh (4096px nếu từ 15 ảnh trở lên)

Ngoài ra, cần lưu ý các hạn chế quan trọng: hình ảnh chỉ được chấp nhận trong user messages – gửi ảnh trong system hoặc assistant messages sẽ trả về lỗi 400. Tương tự, chỉ các mô hình vision như deepseek-v4-flash-vision-exp mới chấp nhận ảnh; các mô hình khác sẽ báo lỗi "This model does not support image".

Hỗ trợ đa nền tảng API

Bên cạnh API tương thích OpenAI quen thuộc, DeepSeek còn hỗ trợ gửi ảnh qua API tương thích Anthropic (base_url = https://api.deepseek.com/anthropic) với cấu trúc content block khác biệt – sử dụng object source thay vì image_url. Điều này giúp các nhà phát triển đang dùng Anthropic SDK có thể chuyển sang DeepSeek mà không cần thay đổi quá nhiều code.

Mô hình cũng tương thích với OpenAI Responses API, nơi ảnh được truyền qua input_image parts trong user/developer messages hoặc output của function_call_output.

Kết luận

Việc ra mắt deepseek-v4-flash-vision-exp cho thấy DeepSeek đang nỗ lực mở rộng hệ sinh thái của mình sang lĩnh vực thị giác máy tính – một mảng quan trọng trong xu hướng AI đa phương thức hiện nay. Với chi phí token rõ ràng, nhiều phương thức gửi ảnh linh hoạt và hỗ trợ đa nền tảng API, mô hình này hứa hẹn là lựa chọn hấp dẫn cho các ứng dụng cần phân tích hình ảnh tại Việt Nam và trên toàn cầu.

Các lập trình viên có thể bắt đầu trải nghiệm ngay thông qua tài liệu API chính thức tại api-docs.deepseek.com/guides/vision.