Parece que la guerra de precios en la inteligencia artificial no tiene freno, y esta vez el golpe bajo se lo llevan los gigantes que cobran a precio de oro el análisis de imágenes. DeepSeek acaba de encender las alarmas en las oficinas de Anthropic con su último movimiento. En concreto, han lanzado una versión experimental que dota de «ojos» a su ya popular y rapidísimo modelo V4 Flash.
El recién bautizado DeepSeek-V4-Flash-Vision-Exp entra en escena para demostrar que la visión artificial de alto nivel no tiene por qué arruinarte el presupuesto. Una auténtica sacudida al sector.
El movimiento técnico tiene muchísima miga. Hasta hace nada, si querías que la IA de esta compañía interpretara capturas de pantalla, facturas o gráficos complejos, tenías que irte a la familia específica DeepSeek-VL. Ya no hace falta dividir esfuerzos. Ahora han inyectado esa capacidad directamente en la rama principal de su modelo más ágil, uniendo lo mejor de dos mundos. Todo el razonamiento bruto y el conocimiento general de la versión de texto sigue ahí intacto. Ni se inmuta.
Si miramos los números y las promesas de la marca, la cosa se pone muy seria. Según anunciaron a través de una publicación en su cuenta de X, el rendimiento analítico de este nuevo modelo le pisa los talones a Claude Opus 4.8. Sí, estamos hablando del peso pesado absoluto de Anthropic. DeepSeek asegura que su modelo no solo «ve», sino que hereda unas capacidades de agente impresionantes. Es capaz de observar una interfaz, razonar sobre ella y ejecutar tareas en varios pasos de forma casi autónoma. Palabras mayores.
El mismo precio por ver que por leer: la estrategia letal
Pero aquí viene la verdadera locura financiera de este lanzamiento. La letanía habitual de la industria es que la visión multimodal cuesta muy cara, consumiendo recursos de inferencia masivos en las GPUs. DeepSeek ha decidido ignorar esa regla por completo.
Han mantenido exactamente el mismo esquema de precios que ya tenía la versión de texto puro de su V4 Flash. Es decir, añadir procesamiento visual a tus aplicaciones te sale literalmente gratis en términos de sobrecoste de tarifa. Un misil directo a la línea de flotación comercial de ChatGPT y Claude.
A nivel de servidor, la facturación es de las más limpias y predecibles que hemos visto últimamente. Para calcular el coste, el sistema tokeniza el contenido visual con un tope máximo de 384 tokens por archivo de imagen. Un límite fijo y tremendamente bajo que te permite escalar tu software sin llevarte sorpresas desagradables a fin de mes. Así de simple.
La letra pequeña de V4 Flash Vision-Exp
Para los desarrolladores que estén deseando meterle mano al código, el acceso requiere registro previo en su plataforma y se gestiona mediante la API habitual. Solo hay que configurar la llamada indicando el modelo con el comando deepseek-v4-flash-vision-exp. A partir de ahí, el sistema hace la magia, devolviendo en una única respuesta tanto el razonamiento profundo como el análisis visual integrado. Todo en el mismo flujo de texto.
Lo más interesante de esta API es su tremenda flexibilidad operativa. Te permite enviar hasta 600 imágenes de golpe en una sola petición de red. Y admite sin quejarse los formatos de archivo más populares: JPEG, PNG, GIF y WebP, procesando resoluciones gigantescas de hasta 8192 píxeles por lado. Pura fuerza bruta computacional al servicio del usuario.
El truco para integrar esto de forma eficiente en tus pipelines de IA es aprovechar la nueva API de archivos de DeepSeek. Este servicio adicional es completamente gratuito y está diseñado de cero para ser compatible con los principales frameworks de agentes del mercado. Básicamente, te permite subir un archivo visual pesado una sola vez y reutilizarlo mediante un identificador único en todas tus peticiones futuras. Cero necesidad de estar saturando tu ancho de banda subiendo la misma foto mil veces.
Evidentemente, hay ciertas barreras físicas que debes tener en cuenta. Si optas por enviar las imágenes codificadas en la clásica cadena base64 o a través de URLs externas, el peso máximo no puede superar los 32 MiB por archivo. Sin embargo, si usas la API de archivos que acabamos de mencionar, ese límite de subida se estira cómodamente hasta los 64 MiB. Un margen de maniobra más que suficiente para analizar documentos escaneados en alta definición o fotografías densas.
Por si te lo preguntas, el modelo hace parte del trabajo sucio por ti justo antes de empezar la inferencia. Las imágenes se redimensionan solas de forma automática en los servidores de la compañía. Las que son muy pequeñas (384 × 384 píxeles o inferiores) se escalan hacia arriba manteniendo la relación de aspecto. Las gigantes se reducen inteligentemente hasta igualar una carga de píxeles equivalente a una foto de 800 × 800 píxeles. Esto garantiza que la IA no se atragante y mantenga una latencia baja en cada petición.
Definitivamente, estamos presenciando en directo cómo el coste de la inteligencia artificial multimodal se desploma mientras sus capacidades reales no paran de crecer. Que una versión teóricamente «experimental» y con precios de derribo se atreva a plantar cara a los modelos premium más caros de occidente nos dice mucho de hacia dónde se dirige esta industria. Veremos si los grandes dinosaurios del sector deciden ajustar pronto sus tarifas o si prefieren seguir apostando por vender exclusividad. La pelota, ahora mismo, está en el tejado de Silicon Valley.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
