DeepSeek нарешті відкрив очі: модель тепер «водить пальцем» по фото

DeepSeek офіційно оновили застосунок та веб-версію, додавши режим Vision, про що повідомив XiaoKang Chen. Тепер у чаті з’явився третій перемикач, призначений для роботи зі складною графікою, який стоїть в одному ряду з Fast та Expert режимами.

Інновація полягає у підході Thinking with Visual Primitives. Замість розпливчастих описів, модель розставляє на зображенні маркери та рамки, інтегруючи їх у ланцюжок роздумів. Це виглядає так, ніби програма водить пальцем по рядках тексту, щоб не втратити хід думок і не вигадати зайвого, що є стандартною хворобою сучасних LLM.

Технічно все це крутиться на базі DeepSeek-V4-Flash. Щоб не спалити всі ресурси компанії на обробку одного фото, розробники стискають дані, об'єднуючи кожні чотири візуальні токени в один запис. Це робить роботу зі «зором» значно дешевшою за аналоги, які просто «ковтають» пікселі без розбору.

Автори стверджують, що в задачах на підрахунок об'єктів модель змагається з GPT-5.4 та Claude Sonnet 4.6. Щоправда, розробники самі визнають, що це вибіркові тести, а ваги моделі досі залишаються таємницею за сімома замками.

Спроба навчити машину «вказувати» на предмети виглядає як відчайдушна спроба розробників прив'язати абстрактний алгоритм до реального світу. Мабуть, наступним етапом стане імітація того, як модель робить вигляд, що роздумує, зависаючи на п'ять секунд перед відповіддю, щоб ми відчували себе трохи менш тупими на фоні прогресу.

Джерело: GitHub