Dando multimodal ao DeepSeek: solução de visão com Qwen-3.7-Flash

Original postado no X, 89 mil visualizações, 600+ curtidas.

Muita gente reclama que o DeepSeek V4 Flash não tem multimodal. É uma lacuna real — mas não precisa insistir num modelo só.

O problema

O V4 Flash está com a capacidade textual no talo, mas chega na hora de ler imagem e trava: screenshot, imagem de tabela, mockup de UI, documento escaneado — nada disso ele processa.

Multimodal é o preço da "baratura": o modelo precisa de encoding visual, os parâmetros incham e o custo sobe.

A solução: usar em combinação

Pesquisei a fundo a opção de reconhecimento de imagem com melhor custo-benefício hoje, e a resposta é Qwen-3.7-Flash.

O custo para reconhecer uma imagem é tão baixo que dá para ignorar. Use ele como modelo de visão dedicado e siga com a inferência de texto no V4 Flash — fica com o melhor dos dois mundos.

Como combinar

O caminho mais simples é o "roteamento": entrada com imagem → modelo de visão; texto puro → V4 Flash.

// pseudocódigo: roteamento sob demanda
function route(input) {
  if (hasImage(input)) {
    return qwenVision(input)   // reconhece imagem + extrai informação-chave
  }
  return deepseekV4Flash(input) // inferência de texto
}

Um esquema mais avançado é jogar o resultado da visão direto no V4 Flash para continuar a inferência:

1. Use o Qwen-3.7-Flash para reconhecer a imagem e gerar uma descrição estruturada
2. Empacote a descrição + a pergunta original para o DeepSeek V4 Flash
3. O V4 Flash faz inferência profunda, escreve código e resume com base na descrição

Assim você enxerga imagem e ainda aproveita o barato e a velocidade do V4 Flash.

Cenários de uso

• Perguntar com screenshot: joga screenshot de erro, screenshot de conversa
• Imagens de tabela/documento virando dados estruturados
• Mockup de UI virando código
• Extração de informações de escaneados (nota fiscal, contrato)
• Cenários em que um Agent precisa "olhar" a tela

Por que não outra opção

Modelos de visão puros (tipo os multimodais da família GPT) são fortes, mas o preço está lá — para processamento em lote no dia a dia não compensa.

O Qwen-3.7-Flash vence no custo-benefício: qualidade de reconhecimento suficiente, custo praticamente invisível, e dá para rodar lote grande sem pesar no bolso.

Resumo

A combinação de modelos é o normal — não espere um modelo fazer tudo sozinho.

Texto principal no V4 Flash (barato, rápido, contexto grande), visão de apoio no Qwen-3.7-Flash (barato, suficiente): essa é a opção com melhor custo-benefício hoje. Completa o que falta, um por um — bem mais realista do que esperar um modelo "universal mas caro".

Leitura relacionada: DeepSeek V4 Flash versão final — experiência aprofundada