Rellenando el hueco multimodal de DeepSeek: el plan de visión Qwen-3.7-Flash

Publicado originalmente en X, 89 mil visitas, 600+ me gusta.

Mucha gente se queja de que DeepSeek V4 Flash no tiene multimodal. Es verdad que es su punto flojo — pero no hace falta obsesionarse con un solo modelo.

El problema

V4 Flash tiene la parte de texto al máximo, pero en escenarios de lectura de imagen se queda en blanco: capturas, imágenes de tablas, diseños de UI, documentos escaneados… nada de eso lo procesa.

Lo multimodal es el precio de "barato": el modelo tiene que hacer codificación visual, los parámetros se inflan y el coste sube.

La solución: combinar modelos

Investigué las opciones de visión con mejor relación calidad-precio que hay ahora mismo, y la conclusión es Qwen-3.7-Flash.

El coste de leer una imagen es tan bajo que no importa. Lo usas como modelo de visión dedicado, el razonamiento de texto sigue con V4 Flash, y te llevas lo mejor de los dos.

Cómo se combina

La idea más simple es un "router": si la entrada trae imagen → modelo de visión; si es solo texto → V4 Flash.

// Pseudocódigo: rutear según la necesidad
function route(input) {
  if (hasImage(input)) {
    return qwenVision(input)   // leer imagen + extraer información clave
  }
  return deepseekV4Flash(input) // razonamiento de texto
}

Una jugada más avanzada es pasarle el resultado de la visión directamente a V4 Flash para que siga razonando:

1. Qwen-3.7-Flash lee la imagen y devuelve una descripción estructurada
2. La descripción + la pregunta original se las pasas a DeepSeek V4 Flash
3. V4 Flash razona en profundidad sobre la descripción, escribe código, resume

Así ves imágenes y a la vez disfrutas de lo barato y rápido de V4 Flash.

Escenarios de uso

• Preguntar sobre capturas: mandarle capturas de errores, capturas de chats
• Imágenes de tablas/documentos a datos estructurados
• Diseños de UI a código
• Extraer información de escaneados como facturas y contratos
• Escenarios en los que el agente necesita "ver" la pantalla

Por qué no otras opciones

Los grandes modelos de visión pura (los multimodales de la familia GPT, por ejemplo) son potentes, pero ahí está el precio: para procesar lotes a diario no compensa.

Qwen-3.7-Flash gana en relación calidad-precio: calidad de lectura suficiente, coste casi nulo, y puedes correr lotes grandes sin que duela.

Resumen

Combinar modelos es lo normal; no esperes que un solo modelo lo haga todo.

V4 Flash como titular del texto (barato, rápido, mucho contexto), Qwen-3.7-Flash como refuerzo visual (barato, suficiente) — esta combinación es hoy la de mejor relación calidad-precio. Vas tapando lo que falte, y es mucho más práctico que esperar un modelo "todoterreno pero caro".

Lecturas relacionadas: Experiencia a fondo del DeepSeek V4 Flash oficial