Wie günstig verarbeitet DeepSeek jetzt Bilder?

DeepSeek gibt seinem KI-Modell Augen: ein Bild kostet Bruchteile eines Cents

Michael Dobler

Autor Dr. Web

22. August 2026

3 Min. Lesezeit

DeepSeek hat sein schnelles Sprachmodell um Bildverständnis erweitert und verlangt dafür fast nichts. Seit dem 21. August 2026 liest das experimentelle Modell DeepSeek-V4-Flash-Vision-Exp Screenshots, Diagramme und Fotos, ein einzelnes Bild kostet dabei höchstens rund einen hundertstel Cent.^[1]

drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen

Damit rückt eine Rechnung in Reichweite, die lange zu teuer war: ein KI-Agent, der pausenlos auf den Bildschirm schaut, statt nur Text zu verarbeiten. Wie belastbar der Preis im Alltag ist und warum deutsche Firmen trotzdem zögern sollten, klärt sich erst abseits der Bestenlisten.

Das Wichtigste in Kürze

DeepSeek schaltete am 21. August 2026 das multimodale Modell DeepSeek-V4-Flash-Vision-Exp über seine Schnittstelle frei, vorerst als Experiment.
Jedes Bild schrumpft auf höchstens 384 Token, ein Bild kostet dadurch nur Bruchteile eines Cents.
Bei bildgestützten Agentenaufgaben reicht das Modell laut DeepSeek nah an Claude Opus 4.8 heran, bei reinem Text bleibt die Leistung auf dem Niveau des Textmodells.
Die Gewichte bleiben geschlossen, das Modell läuft nur über DeepSeeks Server in China und wirft damit in Deutschland ein Datenschutzproblem auf.

Was hat DeepSeek vorgestellt?

Silbernes Metallauge auf Ständer mit einem 0,0001 € Preisschild auf der Pupille — DeepSeek-V4-Flash-Vision-Exp verarbeitet Bilder und Text gleichzeitig. Bei Bildaufgaben erreicht das Modell Performance nah an Claude Opus 4.8

DeepSeek hat seinem schnellen Textmodell das Sehen beigebracht. Das neue DeepSeek-V4-Flash-Vision-Exp nimmt Bilder als Eingabe entgegen und verarbeitet sie im selben Durchgang wie Text.^[1] Auf reinen Textaufgaben bleibt die Leistung unverändert, bei bildgestützten Agentenaufgaben legt sie deutlich zu und reicht laut DeepSeek nah an Claude Opus 4.8 heran.

Aus einem Screenshot baut das Modell eine Präsentation, aus dem Bild einer Website einen Frontend-Entwurf.^[1] Auch Diagramme liest das Modell und wertet sie aus. Denselben Sprung vom Text zum Bildschirm führt bereits ByteDances Agent vor, der Windows per Screenshot bedient.

Woher kommt der niedrige Preis?

Der Preis fällt, weil DeepSeek jedes Bild radikal eindampft. Das Modell wandelt eine Aufnahme in höchstens 384 Token um und rechnet sie zum selben Tarif ab wie Text, ohne Aufschlag fürs Sehen.^[1] Ein Bild kostet dadurch höchstens rund einen hundertstel Cent, tausend Bilder kosten kaum mehr als zehn Cent.

Damit treibt DeepSeek den eigenen Preiskampf weiter, den das Labor schon mit dem Zeittarif für seine Schnittstelle vorgeführt hat. Offene Bildmodelle liefern derzeit vor allem chinesische Anbieter, von Alibabas Qwen für die Heim-Grafikkarte bis zu SenseTimes SenseNova, das Bilder versteht und erzeugt.

Ein Modell, das fast umsonst sieht, macht Agenten möglich, die den Bildschirm dauernd im Blick behalten. Für deutsche Firmen entscheidet trotzdem nicht der Preis, sondern die Frage, wohin die Bilddaten fließen.
— Markus Seyfferth, Chefredakteur Dr. Web

Den Kostendruck kennt die ganze Branche, in der jedes neue Modell billiger und schneller sein will, wie zuletzt das boomende Cloud-Geschäft von Alibaba zeigte. Entscheidend bleibt die Menge, denn ein Agent verschickt viele Bilder je Aufgabe.

DeepSeek-V4-Flash-Vision-Exp in Zahlen

Was das multimodale Modell kostet, umgerechnet in Euro

384 Token

Höchstwert, auf den DeepSeek jedes Bild eindampft

0,0001 €

Höchstpreis je Bild, etwa ein hundertstel Cent

0,57–1,15 €

Preis je Million Ausgabe-Token, von der Neben- bis zur Hauptzeit

0 € Aufpreis

Bilder kosten denselben Tokenpreis wie Text, kein Zuschlag fürs Sehen

In Deutschland bleibt der Engpass nicht der Preis, sondern die Übermittlung der Bilddaten nach China.

Was heißt das für europäische Entscheider?

Für deutsche Unternehmen bleibt der Haken die Datenübermittlung nach China. Die DeepSeek-App gilt der Berliner Datenschutzbeauftragten seit Juni 2025 als rechtswidriger Inhalt, weil das Modell personenbezogene Daten ohne ausreichende Garantie nach China überträgt.^[2] Für China besteht kein Angemessenheitsbeschluss der EU, damit fehlt der Schnittstelle die rechtliche Grundlage.

Weil DeepSeek die Gewichte nicht offenlegt, fällt der übliche Ausweg weg, ein Modell auf eigenen Servern zu betreiben.^[1] Der Zugang läuft ausschließlich über die Server des Anbieters.

Beim Test des Modells bleiben Kundendaten und Personenbezug draußen, europäische KI-Alternativen gehören auf den Prüfstand. Für jedes KI-erzeugte Bild und jede so erstellte Präsentation schreibt die EU-KI-Verordnung seit dem 2. August 2026 eine Kennzeichnung vor.^[3]

FAQ: DeepSeeks neues Vision-Modell

Was ist DeepSeek-V4-Flash-Vision-Exp?

DeepSeek-V4-Flash-Vision-Exp ist ein experimentelles multimodales KI-Modell, das der chinesische Anbieter DeepSeek am 21. August 2026 über seine Programmierschnittstelle freigeschaltet hat. Das Modell versteht Bilder und verarbeitet sie zusammen mit Text.

Was kostet ein Bild bei DeepSeeks Vision-Modell?

Jedes Bild wird auf höchstens 384 Token umgerechnet und zum selben Tarif wie Text abgerechnet, ohne Aufschlag fürs Sehen. Ein einzelnes Bild kostet dadurch höchstens rund einen hundertstel Cent, tausend Bilder kaum mehr als zehn Cent.

Ist DeepSeek in Deutschland erlaubt?

Die DeepSeek-App gilt der Berliner Datenschutzbeauftragten seit Juni 2025 als rechtswidriger Inhalt, weil personenbezogene Daten ohne ausreichende Garantie nach China fließen. Ein Angemessenheitsbeschluss der EU für China besteht nicht.

Kann man DeepSeeks Vision-Modell selbst hosten?

Das neue Vision-Modell läuft nur über DeepSeeks Programmierschnittstelle, die Gewichte sind nicht öffentlich. Ein Betrieb auf eigenen Servern ist damit nicht möglich, anders als bei offenen Modellen etwa von Alibaba oder SenseTime.