चायनीज AI लॅब DeepSeek ने शांतपणे deepseek-v4-flash-vision-exp पाठवले आहे, जी त्याच्या V4-Flash मॉडेलची प्रायोगिक आवृत्ती आहे जी मजकुरासह प्रतिमा स्वीकारू शकते, आणि त्याच्या फ्लॅगशिप मॉडेल कुटुंबातील सर्वात ज्वलंत दरी बंद करते. कंपनीच्या अधिकृत API पृष्ठांवर दस्तऐवजीकरण केलेले प्रकाशन, V4-Flash-0731 आणि V4-Pro-0813 रीफ्रेश झाल्यानंतर काही आठवड्यांनंतर येते आणि विकासकांना थेट उद्योगाच्या सर्वात स्वस्त फ्रंटियर-टियर मॉडेलपैकी एकामध्ये स्क्रीनशॉट, चार्ट आणि फोटो फीड करण्याचा दीर्घ-विनंति केलेला मार्ग देते. नवीनतम AI घडामोडी ट्रॅक करणाऱ्या संघांसाठी, हे आणखी एक संकेत आहे की डीपसीक पाश्चात्य प्रतिस्पर्ध्यांशी बरोबरी साधण्याचा मानस आहे आणि त्यांच्या किंमतीत आक्रमकपणे कमी करत आहे.

नवीन मॉडेल काय करते

DeepSeek च्या API दस्तऐवजीकरणानुसार, `deepseek-v4-flash-vision-exp` वापरकर्त्यांना "मॉडेलला चित्रांचे वर्णन करण्यास, स्क्रीनशॉटमधून मजकूर वाचण्यास, चार्टचे विश्लेषण करण्यास आणि बरेच काही करण्यास सांगू देते." मॉडेल JPEG, PNG, GIF आणि WebP फायली स्वीकारते, फाइल नावापेक्षा किंवा घोषित MIME प्रकाराऐवजी वास्तविक फाइल सामग्रीवरून शोधलेल्या स्वरूपासह - एक लहान परंतु विचारशील तपशील जो जुळत नसलेल्या-विस्तार दोषांना प्रतिबंधित करतो.

डेव्हलपर तीन प्रकारे प्रतिमा पास करू शकतात: बेस64-एनकोड केलेले इनलाइन डेटा URL (48 MiB विनंती मुख्य भाग मर्यादेच्या अधीन), सार्वजनिकपणे प्रवेश करण्यायोग्य बाह्य URL (8,192 वर्णांपर्यंत, 32 MiB प्रति प्रतिमा, 60-सेकंद डाउनलोड विंडोसह), किंवा Files API द्वारे. सर्व काही मानक OpenAI-सुसंगत चॅट कम्प्लीशन फॉरमॅट वापरते आणि मॉडेल डीपसीकच्या अँथ्रोपिक-सुसंगत एंडपॉईंटद्वारे देखील पोहोचू शकते — म्हणजे विद्यमान क्लॉड SDK कोड कमीतकमी बदलांसह बॅकएंड स्विच करू शकतो.

किंमत: कमोडिटी दरांवर फ्रंटियर व्हिजन

प्रायोगिक मॉडेलला V4-Flash चे आक्रमक किंमत पत्रक वारशाने मिळते. इनपुट टोकन्सची किंमत $0.22 प्रति दशलक्ष ऑफ-पीक आणि कॅशे मिस्ससाठी $0.44 कमाल आहे, ऑफ-पीक तासांमध्ये कॅशे हिट्सवर $0.007 प्रति दशलक्ष इतके कमी होते. आउटपुट टोकनची किंमत $0.66 प्रति दशलक्ष ऑफ-पीक आणि $1.32 आहे. प्रतिमा त्यांच्या परिमाणांवर आधारित टोकनमध्ये रूपांतरित केल्या जातात आणि मजकूर टोकनसह बिल केले जातात.

ती किंमत महत्त्वाची आहे कारण ती मोठ्या यूएस प्रदात्यांकडून तुलनात्मक मल्टीमोडल ऑफरिंगला नाटकीयपणे कमी करते, डीपसीकने वर्षभर चालवलेले किंमत युद्ध चालू ठेवते. मॉडेलमध्ये कुटुंबाची हेडलाइन वैशिष्ट्ये देखील आहेत: 1 दशलक्ष टोकन कॉन्टेक्स्ट विंडो, कमाल आउटपुटचे 384K टोकन, विचार आणि नॉन-थिंकिंग मोडसाठी समर्थन, JSON आउटपुट, टूल कॉल आणि 2,500 ची समवर्ती मर्यादा — चष्मा जे उच्च-वॉल्यूम ते रिसर्च वर्कलोड पेक्षा जास्त उत्पादनासाठी एक वास्तविक वर्कहॉर्स म्हणून स्थान देतात.

यासाठी विकासक का हतबल होते

हे प्रक्षेपण हॅकर न्यूजवर पोहोचले, जिथे त्याने त्वरीत 450 हून अधिक गुण गोळा केले — आणि उत्साहाची एक विशिष्ट मूळ कथा आहे. DeepSeek च्या मजकूर-केवळ V4-Flash-0731 ने ते पाहू शकतो यावर विश्वास ठेवण्यासाठी प्रतिष्ठा विकसित केली होती. एकाधिक विकासकांनी नोंदवले की मॉडेलमध्ये दृष्टी क्षमता आहे असे गृहीत धरले जाईल, नंतर ते शक्य नसल्याचा शोध घेतल्यानंतर विस्तृत वर्कअराउंड सुधारित करेल — मजकूर-आधारित प्रतिमा विश्लेषण साधनांचा शोध लावणे आणि ते पाहण्याचा कोणताही मार्ग नाही हे लक्षात येण्यापूर्वी कनेक्ट केलेल्या डिव्हाइसेसचे स्क्रीनशॉट काढणे यासह.

"मी ऐकले आहे की DeepSeek v4 Flash 0731 ने वारंवार असे गृहीत धरले आहे की त्याच्याकडे दृष्टी क्षमता आहे आणि जेव्हा ते प्रत्यक्षात पाहू शकत नाही असे आढळले तेव्हा मजकूर-आधारित प्रतिमा विश्लेषण साधनांचा शोध घेण्याचा अवलंब करते," एका टिप्पणीकर्त्याने लिहिले, इतर अनेकांच्या अहवालांना प्रतिध्वनी देत. कोडींग किंवा ऑटोमेशन पाइपलाइनमध्ये एजंट म्हणून मॉडेल वापरणाऱ्या प्रत्येकासाठी, नवीन व्हिजन व्हेरिएंटने गोंधळ-चालित अपयशांची संपूर्ण श्रेणी दूर केली पाहिजे.

800x800 कॅच

रिलीझ मर्यादेशिवाय नाही आणि हॅकर न्यूजवरील तीव्र टीका एका क्रमांकावर आहे: इमेज रिझोल्यूशन. दस्तऐवजात असे म्हटले आहे की अनुमानापूर्वी, प्रत्येक प्रतिमेचा आकार आपोआप बदलला जातो जेणेकरून त्याची एकूण पिक्सेल संख्या अंदाजे 800x800 प्रतिमेशी जुळते, आस्पेक्ट रेशो जतन करते.

"हे उपयुक्त आहे परंतु OCR आणि इतर बऱ्याच ऍप्लिकेशन्ससाठी ते थोडे जास्त असणे आवश्यक आहे (उदा: पूर्ण A4 / अक्षराच्या आकाराचे पृष्ठ टाकणे)," एका विकसकाने असा युक्तिवाद केला, दुसऱ्याने स्पष्टपणे उत्तर दिले की 800x800 कॅप "खूप वापर प्रकरणे मारते." दाट दस्तऐवज, पूर्ण-पृष्ठ स्कॅन किंवा सूक्ष्म UI डीबगिंगसाठी, रिझोल्यूशन कमाल मर्यादा विकासकांना उच्च-रिझोल्यूशन - आणि अधिक महाग - पर्यायांकडे ढकलू शकते. थ्रेडमध्ये सुचवलेला एक लोकप्रिय उपाय: मोठी पृष्ठे टाइलमध्ये विभाजित करा आणि त्यांना स्वतंत्रपणे फीड करा.

दुसरा खुला प्रश्न म्हणजे मोकळेपणा. डीपसीकने ओपन वेट रिलीझ करण्यावर आपली प्रतिष्ठा निर्माण केली, परंतु व्हिजन व्हेरिएंटचे पालन होईल की नाही हे कंपनीने सांगितले नाही. समालोचकांनी अंदाज लावला की हे कंपनीच्या अलीकडील "थिंकिंग विथ व्हिज्युअल प्रिमिटिव्हज" संशोधनातून मिळू शकते, ज्यासाठी वजनाचे वचन दिले गेले होते, परंतु कशाचीही पुष्टी झालेली नाही. विशेष म्हणजे, मॉडेल प्रायोगिक म्हणून सूचीबद्ध केले गेले आहे — "-exp" प्रत्यय — डीपसीक पुनरावृत्तीची अपेक्षा करत असल्याचे संकेत देते.

एक शांत पण धोरणात्मक प्रकाशन

व्हिजन ड्रॉप हांगझो-आधारित लॅबसाठी व्यस्त ताणतणाव सुरू ठेवतो, ज्याने ऑगस्टमध्ये स्थिर अद्यतने पाठवली आहेत: V4-Flash-0731, एजंट-ओरिएंटेड DeepSeek हार्नेस फ्रेमवर्क, V4-Pro-0813 रिफ्रेश आणि आता मल्टीमोडल इनपुट. एकल ब्लॉकबस्टर लाँच करण्याऐवजी, DeepSeek वेगवान, वाढीव रिलीझचे कॅडेन्स कार्यान्वित करत आहे जे त्याचे मॉडेल विकसक टूलचेन्समध्ये ठेवतात — त्याच जमीन-हडप धोरण पाश्चात्य लॅब कोडिंग एजंट्ससह अवलंबत आहेत.

मोठ्या प्रमाणावर AI उद्योगासाठी, संदेश परिचित आहे परंतु तरीही पदधारकांसाठी अस्वस्थ आहे: क्षमता ज्याने एकेकाळी प्रीमियम किंमतीला न्याय्य ठरवले होते — दशलक्ष-टोकन संदर्भावर प्रतिमा समजणे — आता काही सेंट प्रति दशलक्ष टोकन्सवर पोहोचत आहेत. प्रायोगिक लेबल डीपसीकला मॉडेल परिष्कृत करण्यासाठी खोली देते, परंतु विकसकांनी आधीपासूनच स्क्रीनशॉट-चालित वर्कफ्लोमध्ये वायरिंग करणे सुरू केले आहे. DeepSeek त्याच्या प्रतिस्पर्ध्यांच्या मल्टीमॉडल वैशिष्ट्याशी जुळू शकेल का हा प्रश्न आता नाही, परंतु बाकीचे बाजार किती लवकर त्याच्या किमतींशी जुळवून घेतात.

AI च्या पुढे रहा

नवीनतम AI मॉडेल रिलीज, बेंचमार्क लढाया आणि उद्योग विश्लेषणासाठी, बुकमार्क करा AI Buzz Wire.

अधिक AI बातम्या वाचा →