دیپسیک مدل بینایی Deepseek V4 Flash Vision Exp را معرفی کرد؛ نزدیک به Opus 4.8 در بنچمارک
شرکت چینی دیپسیک مدل آزمایشی Deepseek V4 Flash Vision Exp را معرفی کرده است؛ یک مدل چندوجهی که قابلیت درک تصاویر را به تواناییهای متنی Deepseek V4 Flash اضافه میکند. این مدل در بنچمارکهای داخلی دیپسیک برای وظایف ایجنتی، عملکردی نزدیک به Opus 4.8 داشته است. به گفته شرکت، تواناییهای مدل پایه در زمینه استدلال و دانش عمومی نیز با اضافه شدن قابلیت بینایی حفظ شدهاند.
دیپسیک این مدل را مشخصاً برای گردشکارهای مبتنی بر ایجنتها طراحی کرده است و Deepseek-V4-Flash-Vision-Exp میتواند در کنار فریمورکهای مختلف ایجنت کار کند و درک بصری را با استفاده از ابزارها ترکیب کند. قابلیتهای آن شامل توصیف تصاویر، استخراج متن از اسکرینشاتها و تحلیل نمودارها میشود. این مدل از فرمتهای JPEG، PNG، GIF و WebP پشتیبانی میکند و فرمت واقعی فایل را مستقل از نام فایل یا MIME type تشخیص میدهد.
از نظر سازگاری نرمافزاری، مدل جدید با APIهای Chat Completions و Responses شرکت OpenAI و همچنین Messages شرکت آنتروپیک کار میکند. دیپسیک همزمان نسخه ۰.۱.۱ فریمورک Harness را منتشر کرده که پشتیبانی داخلی از Deepseek-V4-Flash-Vision-Exp را ارائه میدهد. در نتیجه توسعهدهندگان میتوانند این مدل را در چارچوبهای ایجنتی مورد استفاده خود قرار دهند و قابلیتهای تصویری را در کنار ابزارهای مختلف به کار بگیرند.
برای ارسال تصویر به مدل سه روش در نظر گرفته شده است و توسعهدهندگان میتوانند تصویر را مستقیماً با Base64 در درخواست قرار دهند، از URL عمومی یک فایل تا سقف ۳۲ مگابایت استفاده کنند یا فایل را از طریق Files API جدید و رایگان آپلود کنند. در روش سوم، فایل فقط یکبار آپلود میشود و سپس میتوان با شناسه آن، در درخواستهای مختلف به همان فایل ارجاع داد؛ حجم هر فایل در این API حداکثر ۶۴ مگابایت است.
مدل برای کاهش مصرف توکن، گزینهای با نام detail دارد که در صورت فعال شدن، تصاویر را به وضوح ۵۱۲ در ۵۱۲ پیکسل کاهش میدهد؛ قابلیتی که برای تصاویری که به جزئیات بصری دقیق نیاز ندارند، کاربرد دارد. همچنین تصاویر پیش از پردازش، بر اساس نسبت تصویر بهصورت خودکار تا حدود ۸۰۰ در ۸۰۰ پیکسل نرمالسازی میشوند و با این حال، هزینه پردازش هر تصویر، صرفنظر از وضوح اولیه آن، حداکثر ۳۸۴ توکن خواهد بود.
قیمتگذاری Deepseek-V4-Flash-Vision-Exp مطابق نرخهای V4-Flash انجام میشود و هر درخواست میتواند حداکثر ۶۰۰ تصویر داشته باشد. طول هر ضلع تصویر نیز حداکثر ۸۱۹۲ پیکسل است، اما اگر تعداد تصاویر موجود در یک درخواست به ۱۵ مورد یا بیشتر برسد، این محدودیت به ۴۰۹۶ پیکسل کاهش پیدا میکند. تصاویر نیز فقط در پیامهای کاربر قابل ارسال هستند و امکان قرار دادن آنها در پیامهای دیگر وجود ندارد.
