Китайская компания DeepSeek, специализирующаяся на разработке систем искусственного интеллекта, анонсировала экспериментальную мультимодальную модификацию своей языковой модели V4-Flash. Новая версия, получившая название V4-Flash-Vision-Exp, способна обрабатывать не только текстовые запросы, но и изображения, скриншоты и другие визуальные данные.

Разработчики подчеркнули, что расширение функциональности не повлияло на ключевые возможности базовой модели. V4-Flash-Vision-Exp сохраняет навыки логических рассуждений, работу с текстом, применение знаний об окружающем мире и управление автономными ИИ-агентами. В компании отметили, что в тестах для мультимодальных агентов новая версия демонстрирует существенный прогресс: производительность выросла до уровня, близкого к модели Opus-4.8.

Одновременно с запуском экспериментальной модели вышел инструмент DeepSeek Harness версии 0.1.1, который поддерживает новую разработку «из коробки». Обновлённая система уже доступна через API DeepSeek. При расчёте стоимости использования изображения конвертируются в токены — до 384 токенов на каждое — и тарифицируются по тем же расценкам, что и базовая модель V4-Flash.