DeepSeek V4 Flash Vision : notre test créatif

DeepSeek V4 Flash Vision est le nouveau modèle de vision expérimental de DeepSeek. Il analyse une image et produit du texte : il peut structurer un prompt, concevoir un storyboard ou poser le cadre d'une histoire. En revanche, il ne génère ni image ni vidéo.

Pour la création de cartoons, il agit surtout comme un assistant de préproduction. Vous lui fournissez une image de référence, il identifie le personnage, le décor et les accessoires, puis transforme ces informations en contenu exploitable par un générateur d'images, de vidéos ou de Storybooks.

Pour ce test, nous avons choisi une image de personnage réellement générée par AI Cartoon Generator. L'objectif : vérifier si DeepSeek V4 Flash Vision peut la décliner en prompt d'image, en storyboard vidéo et en Storybook de six pages. Les réussites comme les erreurs sont restituées telles quelles.

Qu'est-ce que DeepSeek V4 Flash Vision ?

DeepSeek a publié deepseek-v4-flash-vision-exp le 21 août 2026. Selon l'annonce officielle, il s'agit d'un modèle expérimental de compréhension visuelle multimodale, qui ajoute l'entrée d'images aux capacités textuelles de V4 Flash.

Plusieurs noms prêtent à confusion. Voici comment les distinguer :

Le deepseek-v4-flash classique ne se met pas soudainement à comprendre les images parce qu'on ajoute un champ image_url à la requête. Nous avons envoyé la même image au Flash standard : l'API a répondu HTTP 400 avec le message This model does not support image. Pour traiter une image, il faut obligatoirement choisir le modèle Vision Exp officiel.

La documentation officielle de l'API Vision précise que le modèle accepte des images et du texte, mais que la sortie reste du texte. Il peut comprendre un support visuel, mais la génération du PNG, de la vidéo ou des illustrations du livre doit être confiée aux modèles de génération correspondants.

Protocole de test des trois tâches créatives

Les tests ont été réalisés le 22 août 2026. Les trois requêtes utilisent la même image PNG de 1122 × 1402, transmise via une URL publique, avec detail réglé sur high. Cette image provient d'un vrai flux de génération Storybook du site ; elle n'a pas été produite par DeepSeek. Elle sert uniquement à évaluer la lecture d'image du modèle.

Les trois requêtes partagent les mêmes réglages :

• Modèle : deepseek-v4-flash-vision-exp
• Détail de l'image : high
• temperature : 0.2
• thinking : disabled
• Format de sortie : JSON valide, sans bloc de code Markdown

Au départ, nous avions conservé le mode thinking. Les résultats n'étaient pas concluants. Pour la requête du prompt d'image, max_tokens était fixé à 1200 : les 1200 tokens de sortie ont été entièrement consommés par le raisonnement, laissant un content vide. La requête Storybook a rencontré un problème similaire : sur 5000 tokens de sortie, 4374 ont été utilisés pour le raisonnement, et le texte a été tronqué dès la deuxième page. Une fois le thinking désactivé, les trois tâches ont renvoyé un résultat complet en une seule fois.

Cela ne signifie pas que le mode réflexion est mauvais en soi. Il partage simplement le quota de sortie avec le texte final. Pour les tâches au format strict, une longue inférence interne est rarement nécessaire ; si elle est vraiment requise, il faut prévoir un espace de sortie plus large et vérifier finish_reason.

Test 1 : extraire un prompt d'image depuis une image de référence

La première tâche consistait à rédiger, à partir de l'image de référence, un prompt d'image en anglais de 55 à 90 mots. Nous avons demandé au modèle de ne décrire que ce qui est réellement visible, sans deviner, et sans nommer de style, car le site ajoute séparément le style choisi par l'utilisateur avant la génération.

La requête principale était :

Study the reference image and write one reusable English text-to-image prompt
that recreates its core story moment without naming a style.
Return observed_subject, observed_setting, generation_prompt,
and negative_constraints. Keep generation_prompt between 55 and 90 words.

Le generation_prompt renvoyé par DeepSeek :

A small child with brown hair and large green eyes stands on a stone path in a
nighttime garden. They hold a glowing lantern in one hand and a large green leaf
in the other, wearing a light blue hoodie and tan shorts. A flower-covered
archway frames the scene, with a pond of water lilies nearby. A winding trail of
glowing lights leads into the distance under a crescent moon and starry sky,
surrounded by tall purple and pink flowers.

Ce prompt compte 80 mots en anglais, ce qui respecte la fourchette de 55 à 90 mots. Le modèle a correctement identifié l'enfant, les cheveux bruns, le hoodie bleu, la lanterne, la feuille, le chemin de pierre, l'étang, l'arche fleurie et la lune. Il n'a pas non plus intégré de style visuel dans le prompt.

Le modèle a également renvoyé les contraintes négatives suivantes :

No text, no captions, no logos, no watermarks, no modern buildings,
no daytime lighting, no harsh shadows, no other people, no vehicles,
no animals, no rain, no snow.

« Pas de texte, pas de filigrane, pas d'autres personnages » est effectivement utile. En revanche, « pas de véhicules, pas de pluie, pas de neige » n'est pas contradictoire, mais ni l'image ni la tâche ne l'exigeaient. Avant une utilisation réelle, il vaut mieux supprimer ces ajouts superflus plutôt que de reprendre tel quel le negative prompt proposé par le modèle.

Pour réutiliser cette description de sujet et de décor, on peut placer le prompt retravaillé dans le générateur texte vers cartoon, puis choisir le style souhaité : cartoon, anime, pâte à modeler ou Storybook. Cela permet de séparer clairement le « quoi dessiner » du « avec quel style dessiner ».

Test 2 : transformer une image en storyboard vidéo

La deuxième tâche consistait à étendre la même image fixe en un plan unique de 8 secondes, avec une timeline en quatre segments, un mouvement de caméra, des contraintes de continuité, le son et un prompt vidéo final. L'objectif n'était pas de caser une histoire complète en huit secondes, mais de rendre visible une seule action et un changement d'émotion.

La timeline produite par le modèle :

Il a également suggéré :

Slow, smooth dolly-in with a slight tilt-up, maintaining a medium-full shot of
the child.

Le prompt vidéo final compte 81 mots en anglais :

A cute chibi child with brown hair and a blue hoodie stands on a stone path in a
magical night garden. She holds a glowing lantern and a large green leaf. The
garden is filled with pink and purple flowers, a pond with water lilies, and a
stone archway. A crescent moon shines in the starry sky. Fireflies and a winding
trail of lights lead into the distance. The child looks around with wonder, her
lantern casting a warm, golden glow.

La direction générale est correcte et le prompt final respecte la limite de 60 à 100 mots. Mais en y regardant de plus près, trois problèmes apparaissent clairement :

1. Nous avions demandé un seul mouvement de caméra ; le modèle en a proposé deux, dolly-in et tilt-up.
2. continuity_locks transforme le tan shorts de l'image en yellow shorts.
3. L'image ne permet pas de déterminer le genre du personnage, mais le prompt final utilise directement she.

Les actions dans la timeline sont aussi trop nombreuses : avancer, se tourner, balancer la lanterne, le tout en huit secondes. Pour une vraie génération vidéo, je ne garderais que « faire un pas en avant et lever la lanterne », en supprimant la rotation et le second mouvement de caméra.

Une fois ces corrections apportées, on peut utiliser le générateur de vidéos cartoon IA : téléverser l'image de référence du personnage, puis générer une courte vidéo avec une action claire, un seul mouvement de caméra et un fond sonore simple.

Test 3 : planifier un Storybook de six pages à partir d'une image de personnage

La troisième tâche consistait à écrire une histoire de six pages pour des lecteurs de 5 à 7 ans, avec titre, résumé, thème, personnages, continuité et consigne de couverture. Chaque narration de page devait compter entre 35 et 55 mots en anglais, et la liste des personnages ne devait inclure que ceux réellement présents dans l'image et récurrents dans l'histoire.

DeepSeek a intitulé l'histoire Luna's Lantern Path, sur le thème « le courage et la magie d'une petite lumière dans l'obscurité ». Les six pages sont rédigées, avec un arc narratif complet : Luna entre dans le jardin, suit la lumière jusqu'à l'étang, entend le saule demander de l'aide, réveille les fleurs avec sa lanterne, puis rentre chez elle.

Les six narrations originales :

1. Luna stepped into the night garden. The moon was a silver smile, and the
flowers were fast asleep. She held her lantern high, ready for a new adventure.

2. A trail of tiny lights danced ahead of her. They looked like fallen stars,
twinkling and winking. Luna giggled and followed them deeper into the garden.

3. The lights stopped by a pond. The water was dark and still. Luna leaned over,
but her lantern's glow made the water sparkle like a mirror.

4. A soft whisper came from the willow tree. 'Little light, the flowers are too
sleepy to wake. Can you help them bloom?' Luna nodded bravely.

5. Luna lifted her lantern high. A warm golden light spilled out, touching every
petal. One by one, the flowers opened their eyes and smiled.

6. The garden was full of light and color. Luna smiled, knowing she had helped.
She walked home, her heart as bright as her little lantern.

L'histoire semble complète, mais un contrôle point par point révèle plusieurs problèmes. Les six narrations comptent en réalité entre 24 et 28 mots : aucune n'atteint la fourchette demandée de 35 à 55 mots. La liste des personnages ajoute en outre The Willow Tree et The Fireflies, et le saule a même un dialogue, alors que l'image de référence ne suffit pas à justifier ces nouveaux personnages.

Ce résultat ne peut donc pas être envoyé tel quel vers une génération d'illustrations. Dans un produit réel, il faudrait au minimum vérifier automatiquement le nombre de pages, le nombre de mots par page, la provenance des personnages et les indications visuelles, puis décider de faire réécrire les narrations ou de supprimer les personnages inventés.

Après correction, on peut placer l'histoire dans le générateur de Storybook IA pour produire des narrations modifiables, une couverture et les illustrations de chaque page. Plutôt que d'écrire un prompt séparé pour chaque page, il est plus fiable de fixer d'abord les personnages et la continuité : on évite ainsi que le rendu ne change en cours de route.

Comment appeler l'API DeepSeek V4 Flash Vision

La documentation officielle prend en charge trois méthodes courantes pour fournir une image : le Base64, l'URL publique de l'image, et le file_id via l'API Files. Pour tester rapidement une petite image, le Base64 suffit ; si l'image est déjà disponible via un lien public, on transmet directement l'URL ; pour une image réutilisée fréquemment, l'API Files est plus pratique.

Voici un exemple d'appel Python simplifié :

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com",
)

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Analyse l'image de référence et génère un prompt vidéo pour un plan unique de 8 secondes.",
                },
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/reference.png",
                        "detail": "high",
                    },
                },
            ],
        }
    ],
    extra_body={"thinking": {"type": "disabled"}},
)

print(response.choices[0].message.content)

L'image doit être placée dans le message user. Le réglage detail: "low" convient pour une lecture approximative ; pour distinguer les vêtements du personnage et les petits accessoires, on choisit high ou original. Les limites exactes concernant la taille des fichiers, le nombre d'images et les méthodes d'entrée sont précisées dans la documentation Vision officielle.

Pourquoi valider le JSON renvoyé par le modèle

Les trois requêtes officielles ont renvoyé un JSON analysable, sans bloc de code Markdown. En revanche, lors des essais préliminaires, même en précisant « renvoie uniquement du JSON valide », le modèle a entouré le résultat d'un bloc de code. Cette réussite ne garantit donc pas que le format sera correct à chaque fois.

Avant une intégration réelle dans un produit, il faut au minimum vérifier les points suivants :

1. Le contenu peut-il être analysé comme du JSON ?
2. Les champs obligatoires sont-ils présents et du bon type ?
3. La timeline ou le nombre de pages du Storybook respectent-ils la demande ?
4. Les narrations et le prompt final sont-ils dans la fourchette de mots ?
5. Les noms des personnages, les vêtements et les accessoires clés restent-ils cohérents d'une scène à l'autre ?
6. La sortie contient-elle des noms de style, des sous-titres ou des demandes de filigrane non autorisés ?
7. finish_reason est-il stop plutôt que length ?

Pour structurer un prompt ou remplir un format fixe, une longue inférence interne n'est généralement pas nécessaire. On peut consulter la documentation sur le mode de réflexion et décider selon la tâche de désactiver ou non le thinking. Pour une histoire plus complexe, on peut le conserver, mais il faut alors augmenter la limite de sortie et prévoir le cas où le texte serait tronqué.

Quand est-ce vraiment utile ?

Si vous avez déjà une image de personnage ou une illustration et que vous souhaitez la décliner en d'autres contenus, DeepSeek V4 Flash Vision peut être utile :

• Vous avez une image de personnage et vous voulez en extraire un prompt de scène réutilisable
• Vous avez une illustration terminée et vous voulez concevoir un court plan animé
• Vous avez un personnage et un univers, et vous voulez les développer en histoire pour enfants
• Vous devez extraire d'une image de référence des informations structurées sur les personnages, les décors et les accessoires

Si vous voulez simplement générer une image cartoon, il n'est pas nécessaire de passer d'abord par un modèle de vision. Saisissez directement votre idée ou téléversez une image de référence dans AI Cartoon Generator. Cette étape supplémentaire n'a de valeur que lorsque vous voulez réutiliser le même matériau, maintenir la cohérence d'un personnage, ou décliner un personnage en vidéo et en Storybook.

Questions fréquentes

DeepSeek V4 Flash accepte-t-il les images en entrée ?

Le deepseek-v4-flash classique n'accepte pas les images. Pour analyser une image, il faut utiliser l'identifiant officiel deepseek-v4-flash-vision-exp.

DeepSeek V4 Flash Vision peut-il générer directement des images ?

Non. Il lit les images et produit du texte. Pour obtenir une image réelle, il faut passer par un modèle de génération texte-vers-image ou d'édition d'image.

Le Vision Exp et la version communautaire DeepSeek V4 Flash Vision sont-ils le même modèle ?

Pas nécessairement. Le Vision Exp officiel possède un identifiant API clair. Les projets communautaires peuvent connecter d'autres encodeurs visuels, des couches proxy ou des modèles déployés séparément : les méthodes d'appel et les capacités réelles peuvent différer.

Faut-il utiliser une URL d'image, le Base64 ou l'API Files ?

Pour tester ponctuellement une petite image, le Base64 suffit. Si l'image est déjà disponible à une adresse publique, transmettez directement l'URL. Pour une image réutilisée fréquemment ou un fichier volumineux, l'API Files est plus adaptée.

Pourquoi l'API renvoie-t-elle beaucoup de tokens de raisonnement mais aucun texte ?

Le raisonnement et le texte final partagent le même quota max_tokens. Si l'inférence consomme d'abord le quota, le texte peut être vide. Pour les tâches au format fixe, on peut désactiver le thinking ; s'il faut le conserver, on augmente la limite de sortie et on surveille finish_reason.

Peut-on enregistrer directement le JSON renvoyé par le modèle ?

Ce n'est pas recommandé. Il faut d'abord retirer un éventuel bloc de code, puis vérifier le format JSON, la structure des champs, la longueur des tableaux, le nombre de mots et la continuité des personnages.

Verdict du test : un outil de préproduction

Au vu de ces trois tests, la place naturelle de DeepSeek V4 Flash Vision n'est pas la génération finale, mais la préparation et la planification en amont. Donnez-lui une image de personnage, et il produit rapidement un prompt d'image, un storyboard vidéo et un brouillon de Storybook, ce qui évite de partir de zéro.

Le contenu fourni ne peut toutefois pas être utilisé tel quel. Le prompt d'image est globalement correct, le storyboard vidéo contient une erreur de mouvement de caméra et de vêtement, et le Storybook, bien que complet sur six pages, n'atteint le nombre de mots requis sur aucune page et ajoute des personnages non justifiés. Un JSON valide indique seulement que le format est correct, pas que le contenu l'est.

L'usage le plus réaliste consiste à lui faire lire l'image et rédiger un premier jet, puis à confier le prompt, le storyboard ou l'histoire à l'outil de génération correspondant, et enfin à vérifier les personnages, les vêtements, les actions, le nombre de mots et le format. Il accélère le travail préparatoire, mais ne remplace pas le jugement final.

Pour aller plus loin : qu'est-ce qu'un générateur de cartoon IA ? et comparatif des générateurs de cartoon IA en 2026.