DeepSeek uvolňuje svůj první vizuální model pro AI agenty jako open-source

Společnost DeepSeek uvolnila váhy svého prvního multimodálního modelu V4-Flash-Vision-Exp jako open-source a zpřístupnila tak 305 miliard parametrů na platformě Hugging Face pod licencí MIT. Vydání, k němuž došlo 31. srpna, završuje postupný debut zahájený 21. srpna, kdy byl model spuštěn výhradně jako služba přes API na platformě DeepSeek.huggingface+1

Určeno pro agenty, ne pro chatboty

Na rozdíl od konvenčních vizuálně-jazykových modelů navržených pro odpovídání na otázky k obrázkům je V4-Flash-Vision-Exp vytvořen pro pracovní postupy AI agentů. Čte snímky obrazovek webu, softwarová rozhraní a grafy, aby AI agenti mohli provádět úkoly pomocí volání nástrojů. Společnost DeepSeek popisuje multimodální schopnosti modelu pro agenty jako „blízké modelu Opus-4.8“, což je vlajková loď společnosti Anthropic.news.aibase+2

Výsledky srovnávacích testů zveřejněné na stránce modelu na platformě Hugging Face toto tvrzení podporují. V testu ApexBench Pass@1 dosáhl model skóre 36,5 v porovnání s 39,4 u modelu Opus-4.8, zatímco v testu Agents' Last Exam dosáhl 27,3, čímž těsně překonal 25,7 modelu Opus-4.8. Výkon v agentních úlohách čistě s textem zůstal stabilní: Terminal Bench 2.1 vzrostl po přidání vizuálních schopností z 82,7 na 83,9. Společnost DeepSeek přiznala i slabá místa. V testu NL2Repo dosáhl model skóre 57,7, což je výrazně za výsledkem 69,7 modelu Opus-4.8.huggingface+1

Výhodnější cena, pomalejší rychlost

Srovnání serveru The New Stack postavilo V4-Flash-Vision-Exp proti modelu Gemini 3.7 Flash společnosti Google Alphabet Inc. ↗ 0.55% v devíti vizuálních úlohách. Zjistilo se, že oba modely se shodují v přesnosti, ale DeepSeek stál přibližně třetinu: celkově 0,0039 USD oproti 0,0122 USD, přičemž odpovídal více než dvakrát déle. Na platformě OpenRouter je V4-Flash-Vision-Exp uveden za 0,22 USD za milion vstupních tokenů a 0,66 USD za milion výstupních tokenů, v porovnání s 0,75 USD a 3,75 USD u Gemini 3.7 Flash.openrouter+2

Sestavování architektury pro agenty

Balíček open-source obsahuje váhy modelu, tokenizér, reference pro kódování výzev a minimální implementaci inferenčního kódu v PyTorch. Kvantizované verze vytvořené komunitou pro llama.cpp, LM Studio a Ollama se objevily během několika hodin od vydání. Přístup „nejprve API, poté open-source váhy“ odráží promyšlenou strategii: společnost DeepSeek vydala spolu s debutem API 21. srpna také nástroj Harness 0.1.1 pro průběžné provádění úkolů a nový vizuální model nyní funguje jako vnímavá vrstva širší sady nástrojů pro AI agenty.reddit+2