DeepSeek-ը բաց կոդով թողարկել է AI գործակալների համար նախատեսված իր առաջին տեսողական մոդելը

DeepSeek-ը բաց կոդով թողարկել է իր առաջին բազմամոդալ մոդելի, V4-Flash-Vision-Exp-ի կշիռները, Hugging Face հարթակում MIT արտոնագրով հասանելի դարձնելով 305 միլիարդ պարամետր: Օգոստոսի 31-ին կայացած թողարկումը եզրափակում է օգոստոսի 21-ին մեկնարկած գործընթացը, երբ մոդելը դեբյուտ արեց DeepSeek-ի հարթակում միայն API-ով հասանելիության ձևաչափով:huggingface+1

Ստեղծված է գործակալների, այլ ոչ թե չատբոտերի համար

Ի տարբերություն տեսողական հարցուպատասխանի համար նախատեսված ավանդական տեսողական-լեզվական մոդելների, V4-Flash-Vision-Exp-ը ստեղծված է գործակալային աշխատանքային ընթացքների համար: Այն ընթերցում է վեբ կայքերի էկրանանկարները, ծրագրային ապահովման ինտերֆեյսներն ու դիագրամները, որպեսզի AI գործակալները կարողանան առաջադրանքներ կատարել գործիքների կանչերի միջոցով: DeepSeek-ը մոդելի բազմամոդալ գործակալային կարողությունները նկարագրում է որպես «մոտ Opus-4.8-ին», որը Anthropic-ի առաջատար մոդելն է:news.aibase+2

Մոդելի Hugging Face էջում հրապարակված թեստավորման արդյունքները հաստատում են այդ պնդումը: ApexBench Pass@1-ում մոդելը գրանցել է 36.5 միավոր, Opus-4.8-ի 39.4-ի համեմատ, իսկ Agents' Last Exam-ում հասել է 27.3-ի, չնչին առավելությամբ շրջանցելով Opus-4.8-ի 25.7 ցուցանիշը: Միայն տեքստային գործակալային կատարողականը մնացել է կայուն. Terminal Bench 2.1-ը տեսողական հնարավորությունների ավելացումից հետո 82.7-ից հասել է 83.9-ի: DeepSeek-ն ընդունել է նաև թույլ կողմերը. NL2Repo-ում մոդելը գրանցել է 57.7 միավոր, զգալիորեն զիջելով Opus-4.8-ի 69.7-ին:huggingface+1

Արժեքի առավելություն, արագության զիջում

The New Stack-ի կողմից անցկացված նախնական համեմատությունը V4-Flash-Vision-Exp-ը դիտարկել է Google-ի Alphabet Inc. ↘ 1.11% Gemini 3.7 Flash-ի հետ տեսողական ինն առաջադրանքներում և պարզել, որ երկու մոդելները համապատասխանում են ճշգրտությամբ, սակայն DeepSeek-ի արժեքը կազմել է մոտավորապես մեկ երրորդը: $0.0039, ընդհանուր $0.0122-ի դիմաց, թեև արձագանքման համար պահանջվել է ավելի քան երկու անգամ ավելի շատ ժամանակ: OpenRouter-ում V4-Flash-Vision-Exp-ը նշված է 1 միլիոն մուտքային տոկենի համար $0.22 և 1 միլիոն ելքային տոկենի համար $0.66 արժեքով, Gemini 3.7 Flash-ի համապատասխանաբար $0.75 և $3.75 ցուցանիշների համեմատ:openrouter+2

Գործակալային համակարգի հավաքումը

Բաց կոդով փաթեթը ներառում է մոդելի կշիռները, թոքենայզերը, հուշումների կոդավորման հղումները և PyTorch ինֆերենսի նվազագույն իրականացումը: Համայնքի կողմից ստեղծված քվանտացված տարբերակները llama.cpp-ի, LM Studio-ի և Ollama-ի համար հայտնվել են թողարկումից ժամեր անց: «Սկզբում API, ապա բաց կոդ» մոտեցումն արտացոլում է մտածված ռազմավարություն. DeepSeek-ը թողարկել էր Harness 0.1.1-ը առաջադրանքների անընդհատ կատարման համար API-ի դեբյուտի հետ մեկտեղ օգոստոսի 21-ին, իսկ տեսողական մոդելն այժմ տեղավորվում է որպես ավելի լայն գործակալային գործիքակազմի ընկալման շերտ:reddit+2