DeepSeek ouvre son premier modèle IA qui voit les images

DeepSeek vient de franchir un cap que beaucoup attendaient : son premier modèle capable de voir des images est enfin disponible en open source. Jusqu’ici, la famille V4 savait raisonner sur du texte et du code, mais restait aveugle. Avec V4-Flash-Vision-Exp, le laboratoire chinois publie les poids d’un modèle multimodal de 305 milliards de paramètres sous licence MIT. Concrètement, tu peux le télécharger, le faire tourner sur ton matériel et l’entraîner sans payer de licence. La promesse est belle, mais la réalité matérielle reste rude.

Un modèle qui regarde enfin les images

La famille V4 de DeepSeek raisonnait sur du texte et du code, mais ne pouvait pas analyser une photo, un schéma ou une capture d’écran. V4-Flash-Vision-Exp corrige ce manque en ajoutant un encodeur visuel qui découpe les images en petites zones de 14 pixels sur 14, puis les transforme en jetons que le modèle peut traiter comme du texte. Le résultat : un modèle qui peut lire un graphique, comprendre une interface ou décrire une image, tout en gardant ses capacités de raisonnement et d’utilisation d’outils.

Les poids ont été publiés le 31 août sur Hugging Face, dix jours après la mise en service de l’API. Ce délai n’est pas anodin : DeepSeek a d’abord laissé tourner son modèle en production pour récolter des données réelles avant de libérer les poids. C’est une stratégie différente de celle de son concurrent Z.ai, qui a publié les poids de son modèle GLM-5.3-Flash dès le premier jour.

Crédit : tableau de benchmarks officiel DeepSeek V4-Flash-Vision-Exp sur Hugging Face, https://huggingface.co/deepseek-ai/DeepSeek-V4-Flash-Vision-Exp

Des performances à prendre avec des pincettes

Sur les benchmarks publiés par DeepSeek, le nouveau modèle progresse nettement par rapport à la version texte. Il gagne notamment sur les tâches d’agents multimodaux, comme lire un graphique ou naviguer dans une interface. Face au modèle Opus-4.8, il remporte trois des onze tests comparés, et reste proche sur plusieurs autres. Mais ces chiffres viennent du propre harnais d’évaluation de DeepSeek, et aucun laboratoire indépendant ne les a encore reproduits.

Il faut aussi noter que sur certains tests, la version texte de base ignorait complètement les éléments visuels, ce qui gonfle mécaniquement l’écart. La comparaison la plus honnête reste celle où les deux modèles traitent la même entrée. Sur les tâches longues qui demandent de synthétiser beaucoup d’étapes, le modèle plus lourd d’Anthropic garde l’avantage.

Une licence libre, mais un matériel exigeant

La licence MIT est une vraie bonne nouvelle pour l’open source : c’est le premier modèle de cette taille que tu peux auto-héberger et modifier sans payer de droits. Mais attention, ce n’est pas un modèle pour ton PC de bureau. Le modèle complet en précision FP8 demande environ 326 Go de mémoire vidéo, ce qui signifie plusieurs cartes graphiques haut de gamme ou une machine de travail dédiée. En quantification 4 bits, la communauté a réussi à le faire descendre à environ 155 Go, ce qui reste hors de portée d’une carte grand public.

Pour la plupart des gens, l’intérêt pratique passe donc par l’API, où les images sont facturées jusqu’à 384 jetons chacune au tarif du modèle V4-Flash. Pour les équipes qui veulent garder leurs données chez elles, l’auto-hébergement reste possible, mais il faut y mettre le prix.

Et la vie privée dans tout ça ?

Un point mérite d’être souligné pour qui envoie des images sensibles à l’API de DeepSeek : les données transitent par des serveurs situés en Chine. La loi chinoise sur le renseignement impose une coopération des organisations sans exception ni transparence. Si tu manipules des documents confidentiels, l’API hébergée n’est pas une option neutre. L’auto-hébergement des poids MIT sur une infrastructure hors de Chine supprime ce problème de transfert, même s’il ne règle pas les questions sur les contraintes éventuelles intégrées lors de l’entraînement.

Un pas de plus vers l’IA ouverte

Avec ce premier modèle vision en open source, DeepSeek confirme sa stratégie : publier des modèles puissants sous licence permissive pour bousculer les géants américains. Le suffixe Exp indique que c’est encore une version expérimentale, et une version stable n’a pas été annoncée. En attendant, ce modèle ouvre la porte à des agents capables de voir, de lire et d’agir — à condition d’avoir le matériel pour les faire tourner.

Sources

La fiche officielle du modèle sur Hugging Face, avec les poids, la licence MIT et le tableau de benchmarks.

L’annonce de l’API sur le site officiel de DeepSeek, qui détaille la mise en service et la facturation des images.

L’analyse de Tech Times, qui décortique les benchmarks et les limites de l’auto-hébergement.

La comparaison de The New Stack, entre le modèle de DeepSeek et Gemini 3.7 Flash.

—

Recherche, relecture et illustration assistées par IA. Le contenu reflète le travail éditorial de la rédaction.