DeepSeek Inaongeza Maono kwa V4-Flash Na Mfano wa Majaribio Wenye Uwezo wa Picha

Maabara ya Kichina ya AI ya DeepSeek imesafirisha kimya kimya deepseek-v4-flash-vision-exp, toleo la majaribio la muundo wake wa V4-Flash ambalo linaweza kukubali picha pamoja na maandishi, na kuziba mojawapo ya pengo dhahiri zaidi katika familia yake ya mfano bora. Toleo hili, lililorekodiwa kwenye kurasa rasmi za API za kampuni, hufika wiki chache baada ya V4-Flash-0731 na V4-Pro-0813 kusasishwa na kuwapa wasanidi programu njia iliyoombwa kwa muda mrefu ya kulisha picha za skrini, chati na picha moja kwa moja kwenye mojawapo ya miundo ya bei nafuu ya sekta ya mipakani. Kwa timu zinazofuatilia maendeleo ya hivi punde ya AI, ni ishara nyingine kwamba DeepSeek inanuia kulinganisha kipengele-kwa-kipengele cha wapinzani wa Magharibi huku ikiwapunguza bei kwa ukali.

Kile mtindo mpya hufanya

Kulingana na hati za API ya DeepSeek, `deepseek-v4-flash-vision-exp` huruhusu watumiaji "kuuliza muundo kuelezea picha, kusoma maandishi kutoka kwa picha za skrini, kuchanganua chati, na zaidi." Muundo unakubali faili za JPEG, PNG, GIF, na WebP, na umbizo lililotambuliwa kutoka kwa maudhui halisi ya faili badala ya jina la faili au aina iliyotangazwa ya MIME - maelezo madogo lakini ya kufikiria ambayo huzuia hitilafu za viendelezi visivyolingana.

Wasanidi programu wanaweza kupitisha picha kwa njia tatu: URL za data ya ndani zilizosimbwa kwa base64 (kulingana na kikomo cha ombi la MiB 48), URL za nje zinazoweza kufikiwa na umma (hadi herufi 8,192, MiB 32 kwa kila picha, na dirisha la upakuaji la sekunde 60), au kupitia API ya Faili. Kila kitu hutumia umbizo la kawaida la Kukamilisha Gumzo linalooana na OpenAI, na muundo huo pia unaweza kufikiwa kupitia sehemu ya mwisho inayooana na Anthropic ya DeepSeek - kumaanisha kwamba msimbo uliopo wa SDK wa Claude unaweza kubadilisha viunzi vya nyuma na mabadiliko madogo.

Bei: maono ya mipaka katika viwango vya bidhaa

Muundo wa majaribio hurithi laha ya bei kali ya V4-Flash. Tokeni za ingizo hugharimu $0.22 kwa kila milioni isiyo na kilele na $0.44 kwa kilele kwa makosa ya akiba, ikishuka hadi dola 0.007 kwa kila milioni kwa vibao vya akiba wakati wa saa zisizo na kilele. Tokeni za pato zina bei ya $0.66 kwa milioni mbali na kilele na $1.32 kwa kilele. Picha hubadilishwa kuwa tokeni kulingana na vipimo vyake na kutozwa pamoja na tokeni za maandishi.

Bei hiyo ni muhimu kwa sababu inapunguza kwa kiasi kikubwa matoleo ya aina mbalimbali yanayolinganishwa kutoka kwa watoa huduma wakuu wa Marekani, na kuendeleza vita vya bei ambavyo DeepSeek imekuwa ikiendeshwa mwaka mzima. Muundo huo pia hubeba maelezo ya kichwa cha familia: dirisha la muktadha wa tokeni milioni 1, hadi tokeni 384K za matokeo ya juu zaidi, usaidizi wa mbinu za kufikiri na zisizo za kufikiri, utoaji wa JSON, simu za zana, na kikomo cha upatanishi cha 2,500 - vipimo vinavyoiweka kama farasi halisi wa kazi za uzalishaji wa kiwango cha juu badala ya kazi ya utafiti wa kiwango cha juu.

Kwa nini watengenezaji walitamani hili

Uzinduzi huo ulitua kwenye Habari za Hacker, ambapo ulikusanya kwa haraka zaidi ya pointi 450 - na shauku ina hadithi maalum ya asili. Nakala-pekee ya DeepSeek V4-Flash-0731 ilikuwa imekuza sifa ya kuamini inaweza kuona. Watengenezaji wengi waliripoti kuwa kielelezo hicho kingedhani kilikuwa na uwezo wa kuona, kisha kuboresha usuluhishi wa kina wakati kilipogundua hakiwezi - ikiwa ni pamoja na kuvumbua zana za uchambuzi wa picha zinazotegemea maandishi na kuvuta picha za skrini kutoka kwa vifaa vilivyounganishwa kabla ya kugundua kuwa hakuna njia ya kuzitazama.

"Nimesikia kwamba DeepSeek v4 Flash 0731 mara kwa mara imedhani kuwa ina uwezo wa kuona na kisha ikaamua kuvumbua zana za uchambuzi wa picha zinazotegemea maandishi inapogundua kuwa haiwezi kuona," aliandika mtoa maoni mmoja, akirejea ripoti kutoka kwa wengine kadhaa. Kwa mtu yeyote anayetumia kielelezo kama wakala katika usimbaji au mabomba ya kiotomatiki, kibadala kipya cha maono kinapaswa kuondoa kategoria nzima ya hitilafu zinazotokana na mkanganyiko.

Kukamata 800x800

Toleo hili halina vikwazo, na ukosoaji mkali zaidi kwenye Hacker News ulilenga nambari moja: azimio la picha. Hati inasema kwamba kabla ya kukisia, kila picha hubadilishwa ukubwa kiotomatiki ili jumla ya hesabu yake ya saizi ilingane na picha 800x800, kuhifadhi uwiano wa kipengele.

"Ni muhimu lakini kwa OCR na programu zingine nyingi inahitaji kuwa juu zaidi (kwa mfano: kuweka ukurasa kamili wa ukubwa wa A4 / Barua)," msanidi mmoja alibishana, na mwingine akijibu kwa uwazi kwamba kofia ya 800x800 "inaua kesi nyingi za utumiaji." Kwa hati zenye msongamano, uchanganuzi wa ukurasa mzima, au utatuzi wa kiolesura ulioboreshwa, kiwango cha juu cha azimio kinaweza kusukuma wasanidi programu kwenye azimio la juu zaidi - na ghali zaidi - mbadala. Suluhu moja maarufu iliyopendekezwa kwenye uzi: gawanya kurasa kubwa kwenye vigae na uzilishe kando.

Swali lingine la wazi ni uwazi. DeepSeek ilijenga sifa yake juu ya kutoa uzani wazi, lakini kampuni haijasema ikiwa lahaja ya maono itafuata. Watoa maoni walikisia kuwa huenda ikatokana na utafiti wa hivi majuzi wa kampuni wa "Fikiria na Visual Primitives", ambao uzani uliripotiwa kuahidiwa, lakini hakuna kilichothibitishwa. Hasa, modeli hiyo imeorodheshwa kama ya majaribio - kiambishi tamati "-exp" - kinachoashiria kwamba DeepSeek inatarajia kurudia.

Toleo tulivu lakini la kimkakati

Kushuka kwa maono kunaendelea na shughuli nyingi kwa maabara ya Hangzhou, ambayo imetumia Agosti kusafirisha masasisho thabiti: V4-Flash-0731, mfumo wa DeepSeek Harness unaolengwa na mawakala, uonyeshaji upya wa V4-Pro-0813, na sasa uingizaji wa aina nyingi. Badala ya uzinduzi mmoja wa blockbuster, DeepSeek inatekeleza upeanaji wa matoleo ya haraka na ya ziada ambayo huweka miundo yake ndani ya minyororo ya zana za wasanidi - mkakati sawa na maabara za Magharibi zinazofuata kwa kutumia mawakala wa usimbaji.

Kwa tasnia ya AI kwa ujumla, ujumbe unajulikana lakini bado haufurahishi kwa walio madarakani: uwezo ambao hapo awali ulihalalisha bei ya malipo - uelewa wa picha kwenye muktadha wa ishara milioni - sasa unafika kwa senti chache kwa tokeni milioni. Lebo ya majaribio huipa DeepSeek nafasi ya kuboresha muundo, lakini wasanidi programu tayari wameanza kuuweka katika mtiririko wa kazi unaoendeshwa na skrini. Swali sio kama DeepSeek inaweza kulinganisha na seti ya vipengele vingi vya wapinzani wake, lakini jinsi soko lingine linavyorekebisha kwa haraka bei zake.

Kaa Mbele ya AI

Kwa matoleo mapya ya miundo ya AI, vita vya kuigwa, na uchanganuzi wa sekta, alamisho AI Buzz Wire.

Soma habari zaidi za AI →