Apporter le multimodal à DeepSeek : la solution de lecture d'images Qwen-3.7-Flash

Publié à l'origine sur X, 89 000 vues, 600+ likes.

Beaucoup de gens râlent : DeepSeek V4 Flash n'a pas de fonctionnalité multimodale. C'est vraiment son point faible — mais pas besoin de s'acharner sur un seul modèle.

Le problème

V4 Flash est au taquet en texte, mais dès qu'il faut lire une image, il est à la ramasse : captures d'écran, images de tableaux, maquettes UI, scans, rien n'y passe.

Le multimodal, c'est le prix du « pas cher » : pour coder la vision, les paramètres gonflent et le coût monte.

La solution : les combiner

J'ai fait le tour des modèles de lecture d'images au meilleur rendement. Verdict : Qwen-3.7-Flash.

Reconnaître une image coûte si peu que c'est négligeable. On l'utilise comme modèle de vision dédié, le raisonnement textuel continue avec V4 Flash, et on profite des deux.

Comment combiner

L'idée la plus simple, c'est le « routage » : entrée avec image → modèle de vision ; texte pur → V4 Flash.

// Pseudo-code : routage à la demande
function route(input) {
  if (hasImage(input)) {
    return qwenVision(input)   // lire l'image + extraire les infos clés
  }
  return deepseekV4Flash(input) // raisonnement texte
}

Version plus avancée : envoyer le résultat de la lecture d'image directement à V4 Flash pour continuer le raisonnement.

1. Utiliser Qwen-3.7-Flash pour reconnaître l'image et sortir une description structurée
2. Balancer la description + la question d'origine à DeepSeek V4 Flash
3. V4 Flash raisonne en profondeur sur la base de la description : code, résumé, etc.

Comme ça, on voit les images tout en profitant du pas cher et de la vitesse de V4 Flash.

Cas d'usage

• Questionner avec une capture : screenshot d'erreur, capture de chat, tout rentre
• Transformer des images de tableaux / documents en données structurées
• Convertir des maquettes UI en code
• Extraire l'info de factures, contrats et autres scans
• Les scénarios où l'Agent doit « regarder » l'écran

Pourquoi pas une autre solution

Les grands modèles de vision purs (type multimodaux GPT) sont très forts, mais leur prix est ce qu'il est : pas rentable pour du traitement de masse quotidien.

Qwen-3.7-Flash gagne sur le rapport qualité/prix : qualité de reconnaissance suffisante, coût quasi nul, et on peut lancer de gros batch sans se serrer le ventre.

Résumé

Combiner les modèles, c'est la norme. Inutile d'attendre qu'un seul modèle fasse tout.

Texte principal avec V4 Flash (pas cher, rapide, gros contexte), vision complémentaire avec Qwen-3.7-Flash (pas cher, suffisant), c'est le meilleur rapport qualité/prix du moment. Combler ce qui manque est plus réaliste qu'attendre un modèle « tout-puissant mais cher ».

À lire aussi : DeepSeek V4 Flash en profondeur