DeepSeek julkaisi ensimmäisen avoimen lähdekoodin näkömallinsa tekoälyagenteille

DeepSeek on julkaissut ensimmäisen multimodaalisen mallinsa V4-Flash-Vision-Exp:n painot avoimena lähdekoodina, tuoden 305 miljardia parametria saataville Hugging Faceen MIT-lisenssillä. Julkaisu 31. elokuuta päättää lanseerauksen, joka alkoi 21. elokuuta mallin debytoitua pelkkänä rajapintapalveluna DeepSeekin alustalla.huggingface+1

Suunniteltu agenteille, ei chateille

Toisin kuin perinteiset näkö- ja kielimallit, jotka on suunniteltu kuvien pohjalta tapahtuvaan kysymys-vastaustoimintaan, V4-Flash-Vision-Exp on rakennettu agenttipohjaisia työnkulkuja varten. Se lukee verkkosivujen kuvakaappauksia, ohjelmistoliittymiä ja kaavioita, jotta tekoälyagentit voivat suorittaa tehtäviä työkalukutsujen avulla. DeepSeek kuvailee mallin multimodaalisia agenttiominaisuuksia lähes Anthropican lippulaivamallin Opus-4.8:n veroisiksi.news.aibase+2

Mallin Hugging Face -sivulla julkaistut suorituskykytulokset tukevat tätä näkemystä. ApexBench Pass@1 -testissä malli sai tuloksen 36,5 verrattuna Opus-4.8:n 39,4:ään, kun taas Agents' Last Exam -testissä se saavutti tuloksen 27,3 ja ohitti niukasti Opus-4.8:n tuloksen 25,7. Pelkkään tekstiin pohjautuva agenttisuorituskyky pysyi vakaana: Terminal Bench 2.1 -tulos nousi 82,7:stä 83,9:ään visuaalisten ominaisuuksien lisäämisen jälkeen. DeepSeek myönsi myös heikkouksia: malli sai NL2Repo-testissä tuloksen 57,7, mikä jää selvästi Opus-4.8:n 69,7:stä.huggingface+1

Hintaetu ja nopeuden kompromissi

The New Stackin tekemässä varhaisessa vertailussa V4-Flash-Vision-Exp asetettiin vastakkain Google Alphabet Inc. ↗ 0.84% Gemini 3.7 Flashin kanssa yhdeksässä näkötehtävässä. Vertailussa havaittiin mallien olevan yhtä tarkkoja, mutta DeepSeek maksoi noin kolmasosan siitä mitä Google, yhteensä 0,0039 dollarissa verrattuna 0,0122 dollariin, vaikka sen vastausaika oli yli kaksi kertaa pidempi. OpenRouterissa V4-Flash-Vision-Exp on hinnoiteltu 0,22 dollariin miljoonaa syötteiden tokenia kohden ja 0,66 dollariin miljoonaa tulosteiden tokenia kohden, kun taas Gemini 3.7 Flashin vastaavat hinnat ovat 0,75 ja 3,75 dollaria.openrouter+2

Agenttikokonaisuuden kokoaminen

Avoimen lähdekoodin paketti sisältää mallin painot, tokenisoijan, kehotteiden koodausviitteet sekä kevyen PyTorch-päätelmätoteutuksen. Yhteisön rakentamat kvantisoidut versiot llama.cpp-, LM Studio- ja Ollama-ympäristöihin ilmestyivät vain muutaman tunnin kuluessa julkaisusta. "Ensin rajapinta, sitten avoimet painot" -lähestymistapa heijastaa harkittua strategiaa: DeepSeek julkaisi Harness 0.1.1 -työkalun jatkuvaan tehtävien suorittamiseen samalla kun rajapinta debytoi 21. elokuuta, ja näkömalli toimii nyt laajemman agentalityökalupakin havainnointikerroksena.reddit+2