চাইনিজ AI ল্যাব DeepSeek নিঃশব্দে deepseek-v4-flash-vision-exp পাঠিয়েছে, এটির V4-ফ্ল্যাশ মডেলের একটি পরীক্ষামূলক সংস্করণ যা পাঠ্যের পাশাপাশি ছবিগুলি গ্রহণ করতে পারে, এটির ফ্ল্যাগশিপ মডেল পরিবারের সবচেয়ে উজ্জ্বল ফাঁকগুলির একটি বন্ধ করে৷ কোম্পানির অফিসিয়াল API পৃষ্ঠাগুলিতে নথিভুক্ত রিলিজটি V4-Flash-0731 এবং V4-Pro-0813 রিফ্রেশ হওয়ার কয়েক সপ্তাহ পরে আসে এবং ডেভেলপারদের স্ক্রিনশট, চার্ট এবং ফটোগুলিকে সরাসরি শিল্পের সবচেয়ে সস্তা ফ্রন্টিয়ার-টায়ার মডেলগুলির মধ্যে একটিতে খাওয়ানোর একটি দীর্ঘ-অনুরোধিত উপায় দেয়৷ সর্বশেষ AI ডেভেলপমেন্ট ট্র্যাক করা দলগুলির জন্য, এটি আরেকটি সংকেত যে ডিপসিক পশ্চিমা প্রতিদ্বন্দ্বীদের ফিচার-ফর-ফিচারের সাথে মিল রাখতে চায় এবং তাদের দামের আক্রমনাত্মকভাবে কম করে।
নতুন মডেল কি করে
DeepSeek-এর API ডকুমেন্টেশন অনুসারে, `deepseek-v4-flash-vision-exp` ব্যবহারকারীদের "মডেলকে ছবি বর্ণনা করতে, স্ক্রিনশট থেকে পাঠ্য পড়তে, চার্ট বিশ্লেষণ করতে এবং আরও অনেক কিছু করতে বলে"। মডেলটি JPEG, PNG, GIF, এবং WebP ফাইল গ্রহণ করে, ফাইলের নাম বা ঘোষিত MIME প্রকারের পরিবর্তে প্রকৃত ফাইল বিষয়বস্তু থেকে সনাক্ত করা বিন্যাস সহ - একটি ছোট কিন্তু চিন্তাশীল বিশদ যা অমিল-এক্সটেনশন বাগ প্রতিরোধ করে।
বিকাশকারীরা তিনটি উপায়ে ছবিগুলি পাস করতে পারে: বেস64-এনকোডেড ইনলাইন ডেটা URL (48 MiB অনুরোধের বডি সীমা সাপেক্ষে), সর্বজনীনভাবে অ্যাক্সেসযোগ্য বাহ্যিক URLগুলি (8,192 অক্ষর পর্যন্ত, 32 MiB প্রতি চিত্র, একটি 60-সেকেন্ডের ডাউনলোড উইন্ডো সহ), বা Files API-এর মাধ্যমে৷ সবকিছুই স্ট্যান্ডার্ড OpenAI- সামঞ্জস্যপূর্ণ চ্যাট কমপ্লিশন ফর্ম্যাট ব্যবহার করে, এবং মডেলটি ডিপসিকের অ্যানথ্রোপিক-সামঞ্জস্যপূর্ণ এন্ডপয়েন্টের মাধ্যমেও পৌঁছানো যায় — যার অর্থ বিদ্যমান ক্লাউড SDK কোড ন্যূনতম পরিবর্তনের সাথে ব্যাকএন্ড পরিবর্তন করতে পারে।
মূল্য নির্ধারণ: পণ্যের হারে সীমান্ত দৃষ্টি
পরীক্ষামূলক মডেলটি V4-ফ্ল্যাশের আক্রমনাত্মক মূল্য শীট উত্তরাধিকার সূত্রে প্রাপ্ত। ইনপুট টোকেনের দাম প্রতি মিলিয়ন অফ-পিক-এ $0.22 এবং ক্যাশে মিস করার জন্য সর্বোচ্চ $0.44, অফ-পিক আওয়ারে ক্যাশে হিটগুলিতে প্রতি মিলিয়নে $0.007-এ নেমে আসে। আউটপুট টোকেনগুলির মূল্য $0.66 প্রতি মিলিয়ন অফ-পিক এবং সর্বোচ্চ $1.32। চিত্রগুলিকে তাদের মাত্রার উপর ভিত্তি করে টোকেনে রূপান্তরিত করা হয় এবং টেক্সট টোকেনের সাথে বিল করা হয়।
মূল্য নির্ধারণের বিষয়টি গুরুত্বপূর্ণ কারণ এটি নাটকীয়ভাবে মার্কিন যুক্তরাষ্ট্রের প্রধান সরবরাহকারীদের থেকে তুলনামূলক মাল্টিমোডাল অফারগুলিকে কম করে, ডিপসিক সারা বছর ধরে মূল্য যুদ্ধ চালিয়েছে। মডেলটি পরিবারের হেডলাইন স্পেসিফিকেশনগুলিও বহন করে: একটি 1 মিলিয়ন টোকেন প্রসঙ্গ উইন্ডো, সর্বাধিক আউটপুটের 384K টোকেন পর্যন্ত, চিন্তাভাবনা এবং অ-চিন্তা মোডের জন্য সমর্থন, JSON আউটপুট, টুল কল এবং 2,500 এর একযোগে সীমা - বিশেষত্ব যা এটিকে উচ্চ-ভলিউম থেকে রিসার্চ লোডের তুলনায় একটি প্রকৃত কাজের ঘোড়া হিসাবে অবস্থান করে।
কেন ডেভেলপাররা এর জন্য মরিয়া ছিলেন
লঞ্চটি হ্যাকার নিউজে অবতরণ করেছে, যেখানে এটি দ্রুত 450 টিরও বেশি পয়েন্ট সংগ্রহ করেছে — এবং উত্সাহের একটি নির্দিষ্ট উত্সের গল্প রয়েছে। DeepSeek-এর পাঠ্য-শুধুমাত্র V4-Flash-0731 এটি দেখতে পারে এমন বিশ্বাস করার জন্য একটি খ্যাতি তৈরি করেছে। একাধিক ডেভেলপার রিপোর্ট করেছেন যে মডেলটি অনুমান করবে যে এটির দৃষ্টিশক্তি রয়েছে, তারপরে যখন এটি আবিষ্কার করতে পারে না তখন বিস্তৃত সমাধানগুলি তৈরি করবে — পাঠ্য-ভিত্তিক চিত্র বিশ্লেষণ সরঞ্জামগুলি উদ্ভাবন করা এবং সংযুক্ত ডিভাইসগুলিকে দেখার কোনও উপায় নেই বুঝতে আগে স্ক্রিনশটগুলি টেনে নেওয়া।
"আমি শুনেছি যে DeepSeek v4 Flash 0731 প্রায়শই ধরে নিয়েছে যে এটির দৃষ্টিশক্তি রয়েছে এবং তারপরে এটি টেক্সট-ভিত্তিক ইমেজ বিশ্লেষণের সরঞ্জামগুলি উদ্ভাবন করার অবলম্বন করে যখন এটি দেখতে পায় যে এটি আসলে দেখতে পাচ্ছে না," একজন মন্তব্যকারী লিখেছেন, অন্য বেশ কয়েকজনের প্রতিবেদনের প্রতিধ্বনি করে৷ যে কেউ কোডিং বা অটোমেশন পাইপলাইনে মডেলটিকে এজেন্ট হিসেবে ব্যবহার করছেন, তাদের জন্য নতুন দৃষ্টি ভেরিয়েন্টটি বিভ্রান্তি-চালিত ব্যর্থতার একটি সম্পূর্ণ বিভাগকে দূর করতে হবে।
800x800 ক্যাচ
রিলিজ সীমাবদ্ধতা ছাড়া নয়, এবং হ্যাকার নিউজের তীব্র সমালোচনা একটি সংখ্যাকে লক্ষ্য করে: চিত্র রেজোলিউশন। ডকুমেন্টেশনে বলা হয়েছে যে অনুমান করার আগে, প্রতিটি চিত্র স্বয়ংক্রিয়ভাবে পুনরায় আকার দেওয়া হয় যাতে এর মোট পিক্সেল সংখ্যা মোটামুটিভাবে একটি 800x800 চিত্রের সাথে মেলে, আকৃতির অনুপাত সংরক্ষণ করে।
"এটি দরকারী কিন্তু ওসিআর এবং অন্যান্য অনেক অ্যাপ্লিকেশনের জন্য এটি একটু বেশি হওয়া দরকার (যেমন: একটি সম্পূর্ণ A4 / অক্ষর আকারের পৃষ্ঠায় রাখা)," একজন বিকাশকারী যুক্তি দিয়েছিলেন, অন্য একজন স্পষ্টভাবে উত্তর দিয়েছিলেন যে 800x800 ক্যাপ "প্রচুর ব্যবহারের ক্ষেত্রে হত্যা করে।" ঘন নথি, পূর্ণ-পৃষ্ঠা স্ক্যান, বা সূক্ষ্ম-দানাযুক্ত UI ডিবাগিংয়ের জন্য, রেজোলিউশন সিলিং ডেভেলপারদের উচ্চ-রেজোলিউশন - এবং আরও ব্যয়বহুল - বিকল্পগুলির দিকে ঠেলে দিতে পারে৷ থ্রেডে প্রস্তাবিত একটি জনপ্রিয় সমাধান: বড় পৃষ্ঠাগুলিকে টাইলসগুলিতে বিভক্ত করুন এবং আলাদাভাবে খাওয়ান৷
অন্য খোলা প্রশ্ন উন্মুক্ততা। ডিপসিক ওপেন ওয়েট প্রকাশের জন্য তার খ্যাতি তৈরি করেছে, কিন্তু দৃষ্টি ভেরিয়েন্টটি অনুসরণ করবে কিনা তা কোম্পানি জানায়নি। মন্তব্যকারীরা অনুমান করেছেন যে এটি কোম্পানির সাম্প্রতিক "থিংকিং উইথ ভিজ্যুয়াল প্রিমটিভস" গবেষণা থেকে উদ্ভূত হতে পারে, যার জন্য ওজনের প্রতিশ্রুতি দেওয়া হয়েছিল, কিন্তু কিছুই নিশ্চিত করা হয়নি। উল্লেখযোগ্যভাবে, মডেলটিকে পরীক্ষামূলক হিসাবে তালিকাভুক্ত করা হয়েছে — "-exp" প্রত্যয় — ইঙ্গিত দেয় যে ডিপসিক পুনরাবৃত্তি করতে চায়৷
একটি শান্ত কিন্তু কৌশলগত মুক্তি
দৃষ্টি ড্রপ হ্যাংঝো-ভিত্তিক ল্যাবের জন্য একটি ব্যস্ত প্রসারিত অব্যাহত রেখেছে, যা আগস্টে স্থির আপডেটগুলি শিপিং করেছে: V4-Flash-0731, এজেন্ট-ভিত্তিক ডিপসিক হারনেস ফ্রেমওয়ার্ক, V4-Pro-0813 রিফ্রেশ এবং এখন মাল্টিমডাল ইনপুট৷ একটি একক ব্লকবাস্টার লঞ্চের পরিবর্তে, DeepSeek দ্রুত, ক্রমবর্ধমান রিলিজের একটি ক্যাডেন্স সম্পাদন করছে যা তার মডেলগুলিকে বিকাশকারী টুলচেইনের মধ্যে রাখে — একই ল্যান্ড-গ্র্যাব কৌশল পশ্চিমা ল্যাবগুলি কোডিং এজেন্টদের সাথে অনুসরণ করছে৷
এআই শিল্পের জন্য বৃহত্তরভাবে, বার্তাটি পরিচিত কিন্তু এখনও দায়িত্বশীলদের জন্য অস্বস্তিকর: ক্ষমতা যা একসময় প্রিমিয়াম মূল্যকে ন্যায্যতা দিয়েছিল — মিলিয়ন-টোকেন প্রসঙ্গে ইমেজ বোঝার — এখন প্রতি মিলিয়ন টোকেনে কয়েক সেন্টে পৌঁছেছে। পরীক্ষামূলক লেবেলটি মডেলটিকে পরিমার্জিত করার জন্য ডিপসিককে রুম দেয়, কিন্তু বিকাশকারীরা ইতিমধ্যেই এটিকে স্ক্রিনশট-চালিত ওয়ার্কফ্লোতে সংযুক্ত করা শুরু করেছে। প্রশ্নটি আর নেই যে ডিপসিক তার প্রতিদ্বন্দ্বীদের মাল্টিমডাল বৈশিষ্ট্য সেটের সাথে মেলে কিনা, তবে বাকি বাজার কত দ্রুত তার দামের সাথে সামঞ্জস্য করে।
এআই থেকে এগিয়ে থাকুন
সর্বশেষ AI মডেল রিলিজ, বেঞ্চমার্ক যুদ্ধ এবং শিল্প বিশ্লেষণের জন্য বুকমার্ক AI Buzz Wire।
আরও এআই খবর পড়ুন →
