DeepSeek'in Deneysel Görme Modeli Opus 4.8'e Ne Kadar Yakın?

Ucuz bir "flash" model, Anthropic'in en güçlü modellerinden Opus 4.8'i ajan testlerinde gerçekten yakalayabilir mi? DeepSeek, 21 Ağustos'ta yayınladığı deneysel görme modeli V4-Flash-Vision-Exp ile tam olarak bu iddiayı masaya koydu.

İddianın sahibi kim peki? DeepSeek'in kendisi. Şirketin paylaştığı ölçümlere göre model, çok modlu ajan kıyaslamalarında Opus 4.8'e yaklaşıyor, bazı testlerde geçiyor. Bağımsız bir doğrulama henüz yok ve modelin adındaki "Exp" (deneysel) etiketi de duruyor. Daha önce Kimi K3 ve Qwen lansmanlarında gördük: üreticinin kendi tablosuyla bağımsız testler arasında makas açılabiliyor. Heyecana kapılmadan önce üçüncü taraf sonuçlarını beklemekte fayda var.

Asıl yenilik: görüntü başına 384 token tavanı

Kıyaslama tartışması bir yana, modelin en somut vaadi maliyet tarafında. V4-Flash-Vision-Exp, çözünürlüğü ne olursa olsun bir görüntüyü en fazla 384 token ile temsil ediyor. İnce detayın kritik olmadığı işlerde isteğe bağlı bir "detail" alanı görüntüyü 512x512 piksele indirerek daha da tasarruf sağlıyor. Fiyat, metin modeli V4-Flash ile aynı; o modelin milyon token başına 0,14 dolarlık girdi fiyatıyla açık ara segmentinin en ucuzu olduğunu daha önce yazmıştık. Kaba bir hesap yapalım: 384 token tavanıyla 1 milyon girdi tokenine yaklaşık 2.600 görüntü sığıyor; V4-Flash tarifesinde bunun girdi maliyeti 1 doların çok altında kalıyor. Fatura okuma, raf denetimi, belge arşivi tarama gibi görüntü hacmi yüksek işlerde bu tavan, pilot projenin maliyet hesabını baştan değiştiriyor. Yüksek çözünürlüklü görüntülerde token sayısını görüntü boyutuyla orantılı artıran modellerle aradaki fark, hacim büyüdükçe katlanıyor.

Erişim tarafında da dikkat çeken bir ayrıntı var: model yalnızca DeepSeek'in kendi arayüzünden sunulmuyor; OpenAI uyumlu Chat Completions ve Responses uçlarının yanında Anthropic'in Messages formatıyla da çağrılabiliyor. Yani bugün Claude ya da GPT ile çalışan bir kod tabanı, birkaç satır değişiklikle bu modeli deneyebiliyor. Hacker News'te 480'i aşkın puan toplayan tartışmanın odağı da buydu: geçiş maliyeti neredeyse sıfır.

Bizim cephede ne değişir?

Türkiye'de görüntü işleyen yapay zeka projelerinin çoğu iki engele takılıyor: token maliyeti ve veri hacmi. Görüntü başına sabit ve düşük bir token tavanı, özellikle binlerce belge ya da ürün fotoğrafı işleyen e-ticaret ve muhasebe senaryolarında pilot maliyetini ciddi düşürür. Öte yandan deneysel etiketli, bir hafta önce çıkmış bir modeli üretim hattına koymak ayrı bir konu; kararlı sürüm ve bağımsız kıyaslama gelmeden kritik iş yüklerini taşımayı önermiyoruz. Bizce doğru adım şimdilik şu: mevcut görüntü işleme hattınızın yanına düşük riskli bir karşılaştırma testi kurun, aynı 100 belgeyi iki modele verin, doğruluk ve maliyeti kendi verinizle ölçün. Test ucuz, yanlış modele bağlanmak pahalı; sırayı doğru kurun. Sonuç beklentiyi tutuyorsa görüntü başına sabit token tavanı, bütçesini önceden planlayabildiğiniz nadir yapay zeka kalemlerinden biri haline geliyor.

Kaynaklar: The Decoder, DeepSeek API Dokümantasyonu