Китайська компанія DeepSeek представила експериментальну мультимодальну модель V4-Flash-Vision-Exp. Вона стала візуальною версією V4-Flash і тепер може працювати не лише з текстом, а й із зображеннями та скриншотами.
Модель орієнтована передусім на ШІ-агентів, яким потрібно аналізувати візуальну інформацію та виконувати завдання через інтерфейси, пише The Decoder.
DeepSeek стверджує, що додавання можливості «бачити» не погіршило текстові здібності V4-Flash. Модель зберегла можливості міркування, роботи з агентами та знання про світ, але отримала здатність аналізувати фотографії, графіки, документи й елементи користувацьких інтерфейсів.
Найбільше уваги привертають результати порівняння з Claude Opus 4.8 від Anthropic. За власними тестами DeepSeek, V4-Flash-Vision-Exp значно випереджає попередню текстову версію в мультимодальних агентних завданнях і в деяких тестах наближається до Claude Opus 4.8. Зокрема, модель DeepSeek показала результат 27,3 проти 25,7 бала Claude в Agentsʼ Last Exam, а в ZeroBench Pass@5 — 35 проти 34. Водночас в інших тестах перевага залишилася за Claude.
Важливо, що ці результати поки не варто сприймати як незалежне підтвердження переваги DeepSeek. Тести проводила сама китайська компанія, а повноцінних сторонніх порівнянь нової експериментальної моделі поки недостатньо.
Однією з головних переваг V4-Flash-Vision-Exp може стати ціна. DeepSeek не підвищила тарифи порівняно зі звичайною V4-Flash. Одне зображення обробляється максимум як 384 токени, що дозволяє суттєво скоротити витрати під час роботи з великими обсягами візуальної інформації. За оцінками англомовних джерел, це робить модель однією з найдешевших мультимодальних альтернатив для розробників.
Нова модель поки має статус Experimental і доступна через API. DeepSeek не розкрила повної технічної інформації про її архітектуру, тому наразі невідомо, наскільки суттєвими є внутрішні зміни порівняно з V4-Flash.
Таким чином, DeepSeek намагається перенести сильні сторони своєї недорогої V4-Flash у сферу мультимодальних ШІ-агентів. Якщо заявлені результати підтвердять незалежні тести, V4-Flash-Vision-Exp може стати значно дешевшою альтернативою топовим моделям на кшталт Claude Opus 4.8 для завдань, де одночасно потрібно працювати з текстом, зображеннями та інтерфейсами.
Нагадаємо, нещодавно стало відомо, що DeepSeek розробляє власний інструмент для агентного кодування — прямого конкурента Claude Code та Codex.