Phòng thí nghiệm AI Trung Quốc DeepSeek đã lặng lẽ xuất xưởng deepseek-v4-flash-vision-exp, một phiên bản thử nghiệm của mẫu V4-Flash có thể chấp nhận hình ảnh cùng với văn bản, thu hẹp một trong những khoảng trống rõ ràng nhất trong dòng mẫu máy hàng đầu của nó. Bản phát hành, được ghi lại trên các trang API chính thức của công ty, xuất hiện chỉ vài tuần sau khi V4-Flash-0731 và V4-Pro-0813 được làm mới và cung cấp cho các nhà phát triển một cách được yêu cầu từ lâu để cung cấp ảnh chụp màn hình, biểu đồ và ảnh trực tiếp vào một trong những mô hình cấp biên rẻ nhất trong ngành. Đối với các nhóm theo dõi những phát triển AI mới nhất, đó là một tín hiệu khác cho thấy DeepSeek có ý định cạnh tranh với các đối thủ phương Tây về tính năng theo tính năng trong khi giảm giá mạnh về mặt giá cả.

##Mô hình mới làm gì

Theo tài liệu API của DeepSeek, `deepseek-v4-flash-vision-exp` cho phép người dùng "yêu cầu mô hình mô tả hình ảnh, đọc văn bản từ ảnh chụp màn hình, phân tích biểu đồ, v.v." Mô hình này chấp nhận các tệp JPEG, PNG, GIF và WebP, với định dạng được phát hiện từ nội dung tệp thực tế thay vì tên tệp hoặc loại MIME được khai báo — một chi tiết nhỏ nhưng chu đáo giúp ngăn chặn các lỗi tiện ích mở rộng không khớp.

Nhà phát triển có thể truyền hình ảnh theo ba cách: URL dữ liệu nội tuyến được mã hóa base64 (tuân theo giới hạn nội dung yêu cầu 48 MiB), URL bên ngoài có thể truy cập công khai (tối đa 8.192 ký tự, 32 MiB mỗi hình ảnh, với cửa sổ tải xuống 60 giây) hoặc thông qua API tệp. Mọi thứ đều sử dụng định dạng Hoàn thành trò chuyện tương thích với OpenAI tiêu chuẩn và mô hình này cũng có thể truy cập được thông qua điểm cuối tương thích với Anthropic của DeepSeek - nghĩa là mã Claude SDK hiện tại có thể chuyển đổi phần phụ trợ với những thay đổi tối thiểu.

Định giá: tầm nhìn biên giới ở mức giá hàng hóa

Mô hình thử nghiệm kế thừa bảng giá mạnh mẽ của V4-Flash. Mã thông báo đầu vào có giá 0,22 USD trên một triệu lượt truy cập ngoài giờ cao điểm và 0,44 USD vào lúc cao điểm đối với trường hợp bỏ sót bộ nhớ đệm, giảm xuống chỉ còn 0,007 USD trên một triệu lượt truy cập vào bộ nhớ đệm trong giờ thấp điểm. Mã thông báo đầu ra có giá 0,66 USD trên một triệu vào thời điểm thấp điểm và 1,32 USD vào lúc cao điểm. Hình ảnh được chuyển đổi thành mã thông báo dựa trên kích thước của chúng và được tính phí cùng với mã thông báo văn bản.

Mức giá đó quan trọng vì nó giảm đáng kể các dịch vụ đa phương thức tương đương từ các nhà cung cấp lớn của Hoa Kỳ, tiếp tục cuộc chiến giá cả mà DeepSeek đã tiến hành cả năm. Mô hình này cũng mang các thông số kỹ thuật tiêu biểu của dòng: cửa sổ ngữ cảnh 1 triệu mã thông báo, đầu ra tối đa lên tới 384K mã thông báo, hỗ trợ chế độ suy nghĩ và không suy nghĩ, đầu ra JSON, lệnh gọi công cụ và giới hạn đồng thời là 2.500 — các thông số kỹ thuật định vị nó như một công cụ chính hãng cho khối lượng công việc sản xuất khối lượng lớn chứ không phải là một món đồ chơi nghiên cứu.

Tại sao các nhà phát triển lại mong muốn điều này

Buổi ra mắt đã diễn ra trên Hacker News, nơi nó nhanh chóng thu thập được hơn 450 điểm — và sự nhiệt tình có một câu chuyện nguồn gốc cụ thể. V4-Flash-0731 chỉ có văn bản của DeepSeek đã nổi tiếng vì tin tưởng nó có thể nhìn thấy. Nhiều nhà phát triển đã báo cáo rằng mô hình này sẽ cho rằng nó có khả năng thị giác, sau đó ứng biến các giải pháp phức tạp khi phát hiện ra rằng nó không thể - bao gồm việc phát minh ra các công cụ phân tích hình ảnh dựa trên văn bản và kéo ảnh chụp màn hình khỏi các thiết bị được kết nối trước khi nhận ra rằng không có cách nào để xem chúng.

Một người bình luận viết: “Tôi nghe nói rằng DeepSeek v4 Flash 0731 thường cho rằng nó có khả năng nhìn và sau đó phát minh ra các công cụ phân tích hình ảnh dựa trên văn bản khi phát hiện ra rằng nó thực sự không thể nhìn thấy”. Đối với bất kỳ ai sử dụng mô hình này làm tác nhân trong quy trình mã hóa hoặc tự động hóa, biến thể tầm nhìn mới sẽ loại bỏ toàn bộ danh mục lỗi do nhầm lẫn.

Bắt 800x800

Việc phát hành không phải là không có những hạn chế và những lời chỉ trích gay gắt nhất về Hacker News nhắm vào một con số: độ phân giải hình ảnh. Tài liệu nêu rõ rằng trước khi suy luận, mọi hình ảnh đều được tự động thay đổi kích thước sao cho tổng số pixel của nó gần khớp với hình ảnh 800x800, duy trì tỷ lệ khung hình.

"Nó hữu ích nhưng đối với OCR và nhiều ứng dụng khác, nó cần phải cao hơn một chút (ví dụ: đặt toàn bộ trang có kích thước A4 / Letter)", một nhà phát triển lập luận, trong khi một nhà phát triển khác trả lời thẳng thừng rằng giới hạn 800x800 "giết chết rất nhiều trường hợp sử dụng." Đối với các tài liệu dày đặc, quét toàn trang hoặc gỡ lỗi giao diện người dùng chi tiết, trần độ phân giải có thể thúc đẩy các nhà phát triển hướng tới các giải pháp thay thế có độ phân giải cao hơn — và đắt tiền hơn —. Một cách giải quyết phổ biến được đề xuất trong chuỗi: chia các trang lớn thành các ô và cấp chúng riêng biệt.

Câu hỏi mở khác là sự cởi mở. DeepSeek đã tạo dựng được danh tiếng của mình bằng việc phát hành các phiên bản mở, nhưng công ty chưa cho biết liệu biến thể tầm nhìn có tuân theo hay không. Các nhà bình luận suy đoán nó có thể xuất phát từ nghiên cứu "Suy nghĩ bằng hình ảnh nguyên thủy" gần đây của công ty, theo đó các trọng số đã được hứa hẹn, nhưng chưa có gì được xác nhận. Đáng chú ý, mô hình được liệt kê là thử nghiệm — hậu tố "-exp" - báo hiệu rằng DeepSeek dự kiến ​​sẽ lặp lại.

Một bản phát hành thầm lặng nhưng mang tính chiến lược

Việc giảm tầm nhìn tiếp tục là một khoảng thời gian bận rộn đối với phòng thí nghiệm có trụ sở tại Hàng Châu, nơi đã dành tháng 8 để cung cấp các bản cập nhật ổn định: V4-Flash-0731, khung Khai thác DeepSeek hướng đến tác nhân, bản làm mới V4-Pro-0813 và giờ là đầu vào đa phương thức. Thay vì ra mắt bom tấn duy nhất, DeepSeek đang thực hiện một nhịp độ phát hành tăng dần, nhanh chóng để giữ các mô hình của nó bên trong chuỗi công cụ dành cho nhà phát triển - chiến lược chiếm đất tương tự mà các phòng thí nghiệm phương Tây đang theo đuổi với các tác nhân mã hóa.

Đối với ngành công nghiệp AI nói chung, thông điệp này quen thuộc nhưng vẫn gây khó chịu cho các công ty đương nhiệm: các khả năng từng biện minh cho việc định giá cao cấp — hiểu hình ảnh trong bối cảnh hàng triệu mã thông báo — hiện đang đạt mức vài xu trên một triệu mã thông báo. Nhãn thử nghiệm mang lại cho DeepSeek không gian để tinh chỉnh mô hình, nhưng các nhà phát triển đã bắt đầu kết nối nó vào quy trình làm việc dựa trên ảnh chụp màn hình. Câu hỏi không còn là liệu DeepSeek có thể sánh ngang với bộ tính năng đa phương thức của các đối thủ hay không mà là phần còn lại của thị trường điều chỉnh theo giá của nó nhanh như thế nào.

Đi trước AI

Để biết các bản phát hành mô hình AI mới nhất, các trận chiến điểm chuẩn và phân tích ngành, hãy đánh dấu trang AI Buzz Wire.

Đọc thêm tin tức về AI →