DeepSeek випустила експериментальну V4 Flash Vision — версію своєї флагманської моделі, яка тепер уміє працювати не лише з текстом, а й із картинками та скриншотами. Компанія стверджує, що в тестах на роботу ШІ-агентів із візуальною інформацією модель уже наближається до Claude Opus 4.8 від Anthropic.
DeepSeek випустила експериментальну V4 Flash Vision — версію своєї флагманської моделі, яка тепер уміє працювати не лише з текстом, а й із картинками та скриншотами. Компанія стверджує, що в тестах на роботу ШІ-агентів із візуальною інформацією модель уже наближається до Claude Opus 4.8 від Anthropic.
Про це повідомила DeepSeek.
Звичайна DeepSeek V4 Flash працює лише з текстом. А от нова DeepSeek-V4-Flash-Vision-Exp отримала «зір». Тепер їй можна показати скриншот сайту, графік, документ чи інше зображення та попросити розібратися, що на ньому відбувається.
Утім, ці результати опублікувала сама DeepSeek, а незалежного тестування V4 Flash Vision поки немає. Тому наскільки близькою до Claude Opus 4.8 модель буде в сторонніх бенчмарках і реальних завданнях, ще належить перевірити.
Особливість цієї моделі в тому, скільки токенів займає зображення. Компанія встановила межу у 384 токени на одну картинку, а оплачуються вони за звичайним тарифом V4 Flash. Для порівняння, в інших моделей кількість токенів часто зростає разом із розміром або деталізацією зображення. Наприклад, Anthropic вказує, що зображення 1000×1000 пікселів займає в Claude 1296 токенів. А Gemini розбиває великі зображення на окремі фрагменти по 258 токенів кожен.
Утім, DeepSeek не передає моделі велике зображення у повному розмірі, а спочатку зменшує його — приблизно до 800×800 пікселів. Але поки незрозуміло, чи не губляться при такому зменшенні дрібний текст, кнопки та інші деталі інтерфейсу.
Раніше dev.ua писав, що компанія DeepSeek знизила вартість моделі V4 Pro на 75%.
