„DeepSeek“ išleido pirmąjį atvirojo kodo vaizdo modelį DI agentams

„DeepSeek“ atvėrė savo pirmojo daugiamodalio modelio „V4-Flash-Vision-Exp“ svorius, „Hugging Face“ platformoje su MIT licencija pateikdama 305 milijardus parametrų. Rugpjūčio 31 d. įvykęs pristatymas užbaigė etapus, prasidėjusius rugpjūčio 21 d., kai modelis debiutavo „DeepSeek“ platformoje tik per API.huggingface+1

Sukurtas agentams, o ne pokalbių robotams

Skirtingai nei įprasti vaizdo ir kalbos modeliai, skirti vaizdiniams klausimams bei atsakymams, „V4-Flash-Vision-Exp“ sukurtas agentų darbo eigoms: interneto svetainių ekrano nuotraukų, programinės įrangos sąsajų ir diagramų skaitymui, kad DI agentai galėtų vykdyti užduotis naudodamiesi įrankių iškvietimais. „DeepSeek“ apibūdina modelio daugiamodalius agento gebėjimus kaip „artimus „Opus-4.8““: „Anthropic“ pavyzdiniam modeliui.news.aibase+2

Modelio „Hugging Face“ puslapyje paskelbti našumo testo rezultatai patvirtina šį vertinimą. „ApexBench Pass@1“ teste modelis surinko 36,5 taško, palyginti su „Opus-4.8“ 39,4 taško, o „Agents' Last Exam“ teste pasiekė 27,3 taško ir šiek tiek aplenkė „Opus-4.8“ su 25,7 taško. Vien tik teksto agento našumas išliko stabilus: „Terminal Bench 2.1“ rodiklis, pridėjus vaizdinius gebėjimus, šiek tiek pakilo nuo 82,7 iki 83,9. „DeepSeek“ pripažino ir trūkumus: „NL2Repo“ teste modelis surinko 57,7 taško, stipriai atsilikdamas nuo „Opus-4.8“ pasiekto 69,7 taško.huggingface+1

Kainos pranašumas ir greičio kompromisas

Pradiname „The New Stack“ palyginime „V4-Flash-Vision-Exp“ buvo išbandytas kartu su bendrovės „Alphabet Inc.“ ↗ 0.84% „Google“ sukurtu „Gemini 3.7 Flash“ atliekant devynias vaizdo užduotis. Nustatyta, kad abiejų modelių tikslumas sutampa, tačiau „DeepSeek“ kainavo maždaug tris kartus pigiau: iš viso 0,0039 JAV dolerio, palyginti su 0,0122 JAV dolerio, nors jo atsako laikas buvo daugiau nei dvigubai ilgesnis. „OpenRouter“ platformoje „V4-Flash-Vision-Exp“ kaina siekia 0,22 JAV dolerio už milijoną įvesties žetonų ir 0,66 JAV dolerio už milijoną išvesties žetonų, palyginti su „Gemini 3.7 Flash“ taikomais atitinkamai 0,75 ir 3,75 JAV dolerio.openrouter+2

Agento sistemos kūrimas

Atvirojo kodo paketą sudaro modelio svoriai, leksematorius, užklausų kodavimo pavyzdžiai bei minimalus „PyTorch“ išvesties rodymo kodo realizavimas. Bendruomenės sukurtos kvantuotos versijos, skirtos „llama.cpp“, „LM Studio“ ir „Ollama“, pasirodė praėjus vos kelioms valandoms po išleidimo. Požiūris „pirmiausia API, vėliau atviri svoriai“ atspindi apgalvotą strategiją: rugpjūčio 21 d., kartu su API debiutu, „DeepSeek“ išleido „Harness 0.1.1“, skirtą nepertraukiamam užduočių vykdymui, o vaizdo modelis dabar tampa suvokimo sluoksniu platesniame agento įrankių rinkinyje.reddit+2