چینی AI لیب DeepSeek نے خاموشی سے deepseek-v4-flash-vision-exp بھیج دیا ہے، جو اس کے V4-Flash ماڈل کا ایک تجرباتی ورژن ہے جو متن کے ساتھ تصاویر کو قبول کر سکتا ہے، جس سے اس کے فلیگ شپ ماڈل فیملی میں سب سے زیادہ واضح خلا کو ختم کیا جا سکتا ہے۔ کمپنی کے آفیشل API پیجز پر دستاویزی ریلیز V4-Flash-0731 اور V4-Pro-0813 کے ریفریش ہونے کے چند ہفتوں بعد پہنچتی ہے اور ڈویلپرز کو اسکرین شاٹس، چارٹس اور تصاویر کو براہ راست صنعت کے سب سے سستے فرنٹیئر ٹائر ماڈلز میں سے ایک میں فیڈ کرنے کا ایک طویل وقت سے درخواست کردہ طریقہ فراہم کرتی ہے۔ تازہ ترین AI پیشرفت سے باخبر رہنے والی ٹیموں کے لیے، یہ ایک اور اشارہ ہے کہ ڈیپ سیک مغربی حریفوں کی فیچر کے لیے فیچر سے مماثلت رکھتا ہے جبکہ قیمت پر جارحانہ انداز میں ان کو کم کرتا ہے۔
نیا ماڈل کیا کرتا ہے۔
DeepSeek کے API دستاویزات کے مطابق، `deepseek-v4-flash-vision-exp` صارفین کو "ماڈل سے تصاویر کی وضاحت کرنے، اسکرین شاٹس سے متن پڑھنے، چارٹس کا تجزیہ کرنے اور مزید بہت کچھ کرنے کی اجازت دیتا ہے۔" ماڈل JPEG، PNG، GIF، اور WebP فائلوں کو قبول کرتا ہے، فائل کے نام یا اعلان کردہ MIME قسم کے بجائے اصل فائل کے مواد سے پائے جانے والے فارمیٹ کے ساتھ - ایک چھوٹی لیکن سوچ سمجھ کر تفصیل جو مماثل ایکسٹینشن کیڑے کو روکتی ہے۔
ڈویلپرز تصاویر کو تین طریقوں سے پاس کر سکتے ہیں: base64-انکوڈ شدہ ان لائن ڈیٹا URLs (48 MiB درخواست کی باڈی کی حد کے تحت)، عوامی طور پر قابل رسائی بیرونی URLs (8,192 حروف تک، 32 MiB فی تصویر، 60 سیکنڈ کی ڈاؤن لوڈ ونڈو کے ساتھ)، یا Files API کے ذریعے۔ ہر چیز معیاری OpenAI-مطابقت پذیر Chat Completions فارمیٹ کا استعمال کرتی ہے، اور یہ ماڈل DeepSeek کے Anthropic-compatible endpoint کے ذریعے بھی قابل رسائی ہے — یعنی موجودہ Claude SDK کوڈ کم سے کم تبدیلیوں کے ساتھ بیک اینڈ کو تبدیل کر سکتا ہے۔
قیمتوں کا تعین: اشیاء کی قیمتوں پر فرنٹیئر ویژن
تجرباتی ماڈل کو V4-Flash کی جارحانہ قیمت کی شیٹ وراثت میں ملتی ہے۔ ان پٹ ٹوکنز کی لاگت $0.22 فی ملین آف-پیک اور $0.44 کیش مسز کے لیے ہے، جو آف پیک اوقات کے دوران کیش ہٹس پر $0.007 فی ملین تک گر جاتی ہے۔ آؤٹ پٹ ٹوکنز کی قیمت $0.66 فی ملین آف چوٹی اور $1.32 ہے۔ تصاویر کو ان کے طول و عرض کی بنیاد پر ٹوکن میں تبدیل کیا جاتا ہے اور ٹیکسٹ ٹوکنز کے ساتھ بل کیا جاتا ہے۔
قیمتوں کا تعین اس لیے اہمیت رکھتا ہے کیونکہ یہ بڑے امریکی فراہم کنندگان کی جانب سے موازنہ ملٹی موڈل پیشکشوں کو ڈرامائی طور پر کم کرتا ہے، ڈیپ سیک نے سارا سال قیمتوں کی جنگ جاری رکھی۔ ماڈل فیملی کی ہیڈ لائن کی وضاحتیں بھی رکھتا ہے: ایک 1 ملین ٹوکن سیاق و سباق کی ونڈو، زیادہ سے زیادہ آؤٹ پٹ کے 384K ٹوکنز، سوچنے اور غیر سوچنے کے طریقوں کے لیے سپورٹ، JSON آؤٹ پٹ، ٹول کالز، اور 2,500 کی ہم آہنگی کی حد — ایسی خصوصیات جو اسے اعلیٰ حجم سے لے کر تحقیقی کام کے بوجھ کے مقابلے میں ایک حقیقی ورک ہارس کے طور پر رکھتی ہیں۔
کیوں ڈویلپر اس کے لیے بے چین تھے۔
لانچ ہیکر نیوز پر ہوا، جہاں اس نے فوری طور پر 450 سے زیادہ پوائنٹس اکٹھے کر لیے — اور جوش و خروش کی ایک مخصوص اصل کہانی ہے۔ ڈیپ سیک کے ٹیکسٹ صرف V4-Flash-0731 نے اس بات پر یقین کے لیے ایک شہرت تیار کی تھی کہ وہ دیکھ سکتا ہے۔ متعدد ڈویلپرز نے اطلاع دی ہے کہ ماڈل فرض کرے گا کہ اس میں بصارت کی صلاحیتیں ہیں، پھر جب اسے پتہ چلا کہ یہ ایسا نہیں کر سکتا تو وسیع حل تیار کرے گا - بشمول متن پر مبنی تصویری تجزیہ کے ٹولز کی ایجاد کرنا اور منسلک آلات سے اسکرین شاٹس کھینچنا اس سے پہلے کہ اس کے پاس دیکھنے کا کوئی طریقہ نہیں ہے۔
"میں نے سنا ہے کہ DeepSeek v4 Flash 0731 نے اکثر یہ فرض کیا ہے کہ اس میں بصارت کی صلاحیتیں ہیں اور پھر متن پر مبنی تصویری تجزیہ کے ٹولز ایجاد کرنے کا سہارا لیتے ہیں جب اسے پتہ چلتا ہے کہ یہ حقیقت میں نہیں دیکھ سکتا،" ایک تبصرہ نگار نے لکھا، کئی دیگر کی رپورٹوں کی بازگشت۔ ماڈل کو کوڈنگ یا آٹومیشن پائپ لائنز میں بطور ایجنٹ استعمال کرنے والے ہر فرد کے لیے، نئے وژن ویرینٹ کو الجھنوں سے چلنے والی ناکامیوں کے پورے زمرے کو ختم کرنا چاہیے۔
800x800 کیچ
ریلیز بغیر کسی پابندی کے نہیں ہے، اور ہیکر نیوز پر سخت ترین تنقید نے ایک نمبر کو نشانہ بنایا: تصویری قرارداد۔ دستاویزات میں کہا گیا ہے کہ اندازہ لگانے سے پہلے، ہر تصویر کا خود بخود سائز تبدیل کر دیا جاتا ہے تاکہ اس کی کل پکسل کی گنتی تقریباً 800x800 امیج سے میل کھاتی ہو، پہلو کے تناسب کو محفوظ رکھتی ہو۔
"یہ کارآمد ہے لیکن OCR اور بہت سی دوسری ایپلی کیشنز کے لیے اسے تھوڑا سا اونچا ہونا ضروری ہے (مثال کے طور پر: مکمل A4 / خط کے سائز کا صفحہ لگانا)،" ایک ڈویلپر نے دلیل دی، دوسرے نے دو ٹوک جواب دیتے ہوئے کہا کہ 800x800 کیپ "استعمال کے بہت سے معاملات کو مار دیتی ہے۔" گھنے دستاویزات، پورے صفحے کے اسکینز، یا عمدہ UI ڈیبگنگ کے لیے، ریزولیوشن کی حد ڈیولپرز کو اعلی ریزولوشن — اور زیادہ مہنگے — متبادلات کی طرف دھکیل سکتی ہے۔ تھریڈ میں تجویز کردہ ایک مقبول حل: بڑے صفحات کو ٹائلوں میں تقسیم کریں اور انہیں الگ سے کھلائیں۔
دوسرا کھلا سوال کھلا پن ہے۔ ڈیپ سیک نے کھلے وزن کو جاری کرنے پر اپنی ساکھ بنائی، لیکن کمپنی نے یہ نہیں کہا کہ آیا ویژن ویرینٹ کی پیروی کی جائے گی۔ تبصرہ نگاروں نے قیاس کیا کہ یہ کمپنی کی حالیہ "تھنکنگ ود ویژول پرائمیٹوز" تحقیق سے اخذ کیا گیا ہے، جس کے لیے مبینہ طور پر وزن کا وعدہ کیا گیا تھا، لیکن کسی بھی چیز کی تصدیق نہیں کی گئی۔ خاص طور پر، ماڈل کو تجرباتی کے طور پر درج کیا گیا ہے - "-exp" لاحقہ - یہ اشارہ کرتا ہے کہ DeepSeek کی اعادہ کی توقع ہے۔
ایک پرسکون لیکن اسٹریٹجک ریلیز
ویژن ڈراپ ہانگزو کی بنیاد پر لیب کے لیے ایک مصروف عمل جاری ہے، جس نے اگست میں مسلسل اپ ڈیٹس کی ترسیل میں صرف کیا ہے: V4-Flash-0731، ایجنٹ پر مبنی DeepSeek Harness فریم ورک، V4-Pro-0813 ریفریش، اور اب ملٹی موڈل ان پٹ۔ ایک ہی بلاک بسٹر لانچ کے بجائے، DeepSeek تیزی سے، بڑھتے ہوئے ریلیزز کا ایک مجموعہ انجام دے رہا ہے جو اس کے ماڈلز کو ڈویلپر ٹول چینز کے اندر رکھتا ہے - وہی زمین پر قبضہ کرنے کی حکمت عملی مغربی لیبز کوڈنگ ایجنٹوں کے ساتھ اپنا رہی ہیں۔
بڑے پیمانے پر AI انڈسٹری کے لیے، پیغام واقف ہے لیکن آنے والوں کے لیے اب بھی غیر آرام دہ ہے: وہ صلاحیتیں جو ایک بار پریمیم قیمتوں کو جائز قرار دیتی تھیں - ملین ٹوکن سیاق و سباق پر تصویری سمجھ - اب چند سینٹ فی ملین ٹوکن پر پہنچ رہی ہیں۔ تجرباتی لیبل ڈیپ سیک کو ماڈل کو بہتر بنانے کے لیے کمرہ فراہم کرتا ہے، لیکن ڈویلپرز نے پہلے ہی اسے اسکرین شاٹ سے چلنے والے ورک فلو میں وائرنگ کرنا شروع کر دیا ہے۔ سوال اب یہ نہیں ہے کہ آیا ڈیپ سیک اپنے حریفوں کے ملٹی موڈل فیچر سیٹ سے مماثل ہے، لیکن باقی مارکیٹ کتنی جلدی اپنی قیمتوں کے مطابق ہو جاتی ہے۔
AI سے آگے رہیں
تازہ ترین AI ماڈل کی ریلیز، بینچ مارک لڑائیوں، اور صنعت کے تجزیہ کے لیے، بک مارک AI Buzz Wire۔
مزید AI خبریں پڑھیں →
