DeepSeek: Διαθέτει ως ανοιχτό κώδικα το πρώτο της μοντέλο όρασης για πράκτορες AI

Η DeepSeek διέθεσε ως ανοιχτό κώδικα τα βάρη του πρώτου της πολυτροπικού μοντέλου, V4-Flash-Vision-Exp, καθιστώντας διαθέσιμες 305 δισεκατομμύρια παραμέτρους στο Hugging Face υπό την άδεια MIT. Η κυκλοφορία, που πραγματοποιήθηκε στις 31 Αυγούστου, ολοκληρώνει μια σταδιακή διάθεση που ξεκίνησε στις 21 Αυγούστου, όταν το μοντέλο έκανε το ντεμπούτο του αποκλειστικά μέσω API στην πλατφόρμα της DeepSeek.huggingface+1

Σχεδιασμένο για Πράκτορες, Όχι για Chatbots

Σε αντίθεση με τα συμβατικά μοντέλα όρασης και γλώσσας που προορίζονται για οπτικές ερωταπαντήσεις, το V4-Flash-Vision-Exp είναι σχεδιασμένο για ροές εργασίας πρακτόρων: διαβάζει στιγμιότυπα οθόνης από το διαδίκτυο, διεπαφές λογισμικού και διαγράμματα, ώστε οι πράκτορες AI να μπορούν να εκτελούν εργασίες μέσω κλήσεων εργαλείων. Η DeepSeek περιγράφει τις πολυτροπικές δυνατότητες του μοντέλου για πράκτορες ως «κοντά στο Opus-4.8», τη ναυαρχίδα της Anthropic.news.aibase+2

Τα αποτελέσματα των δοκιμών αξιολόγησης που δημοσιεύθηκαν στη σελίδα του μοντέλου στο Hugging Face υποστηρίζουν αυτή τη διατύπωση. Στο ApexBench Pass@1, το μοντέλο συγκέντρωσε βαθμολογία 36,5 έναντι 39,4 του Opus-4.8, ενώ στο Agents' Last Exam έφτασε το 27,3, ξεπερνώντας οριακά το 25,7 του Opus-4.8. Η απόδοση του πράκτορα σε περιβάλλον μόνο κειμένου παρέμεινε σταθερή: το Terminal Bench 2.1 ανέβηκε από το 82,7 στο 83,9 μετά την προσθήκη των οπτικών δυνατοτήτων. Η DeepSeek αναγνώρισε και αδυναμίες: το μοντέλο συγκέντρωσε 57,7 στο NL2Repo, αρκετά πίσω από το 69,7 του Opus-4.8.huggingface+1

Πλεονέκτημα Κόστους, Συμβιβασμός στην Ταχύτητα

Μια αρχική σύγκριση από το The New Stack έθεσε το V4-Flash-Vision-Exp αντιμέτωπο με το Gemini 3.7 Flash της Alphabet Inc. ↗ 0.84% της Google σε εννέα εργασίες όρασης και διαπίστωσε ότι τα δύο μοντέλα ισοφάρισαν σε ακρίβεια, αλλά η DeepSeek κόστισε περίπου το ένα τρίτο, $0,0039 έναντι $0,0122 συνολικά, ενώ χρειάστηκε υπερδιπλάσιο χρόνο για να απαντήσει. Στο OpenRouter, το V4-Flash-Vision-Exp καταγράφεται στα $0,22 ανά εκατομμύριο tokens εισόδου και $0,66 ανά εκατομμύριο tokens εξόδου, σε σύγκριση με τα $0,75 και $3,75 του Gemini 3.7 Flash αντίστοιχα.openrouter+2

Συναρμολογώντας τη Στοίβα Πρακτόρων

Το πακέτο ανοιχτού κώδικα περιλαμβάνει τα βάρη του μοντέλου, τον tokenizer, αναφορές κωδικοποίησης prompt και μια ελάχιστη υλοποίηση συμπερασματικής (inference) σε PyTorch. Εκδόσεις ποσοτικοποίησης (quantized) από την κοινότητα για τα llama.cpp, LM Studio και Ollama εμφανίστηκαν μέσα σε λίγες ώρες από την κυκλοφορία. Η προσέγγιση «πρώτα το API, μετά τα ανοιχτά βάρη» αντικατοπτρίζει μια εσκεμμένη στρατηγική: η DeepSeek λάνσαρε το Harness 0.1.1 για συνεχή εκτέλεση εργασιών παράλληλα με το ντεμπούτο του API στις 21 Αυγούστου, και το μοντέλο όρασης εντάσσεται τώρα ως το αντιληπτικό επίπεδο μιας ευρύτερης εργαλειοθήκης πρακτόρων.reddit+2