DeepSeek Multimodal өрсөлдөөнд нэгдлээ: "DeepSeek-V4-Flash-Vision-Exp" болон харааны API албан ёсоор гарлаа

Хиймэл оюуны салбарт өртөг-гүйцэтгэлийн шинэ стандартыг тогтоосоор буй DeepSeek компани ээлжит томоохон алхмаа хийлээ. Тэд өөрсдийн хамгийн анхны multimodal харааны загвар болох DeepSeek-V4-Flash-Vision-Exp-ийг албан ёсоор танилцуулж, хөгжүүлэгчдэд зориулсан API платформоо нээлттэй болголоо.

Өмнө нь зөвхөн текст болон код бичих чиглэлд төвлөрч байсан DeepSeek ийнхүү зураг, график, хэрэглэгчийн интерфэйс (UI), баримт бичгийг боловсруулах харааны даалгавруудыг шийдвэрлэх өрсөлдөөнд орж ирж байна.

Шинэ загварын архитектур ба гол үзүүлэлтүүд

DeepSeek-V4-Flash-Vision-Exp нь тус компанийн суурь хурдан загвар болох DeepSeek-V4-Flash дээр суурилсан бөгөөд текст боловсруулах, кодлох болон учир шалтгааныг дүгнэх (reasoning) чадвараа бүрэн хадгалж, дээр нь гүнзгий харааны ойлголтыг нэмж өгсөн байна.

Архитектур: Sparse Mixture-of-Experts (MoE) бүтэцтэй. Нийт 284 тэрбум параметртэйгээс асуулт бүрд 13 тэрбум идэвхтэй параметр ажиллана. Энэ нь загварыг маш өндөр хурдтай (88+ tokens/sec) ажиллах нөхцөлийг бүрдүүлдэг.
Контекст цонх: 1,048,576 токен (1 сая токен). Энэ нь олон зуун хуудастай PDF диаграмм, өндөр нягтралтай видеоны фрэймүүд эсвэл системийн урт логуудыг бүхэлд нь шинжлэх боломжийг олгож байна.
Гаралтын хязгаар: Нэг дор 384,000 хүртэлх токен гаргах чадвартай.

Multimodal Agent түвшний гүйцэтгэл

DeepSeek-ийн гаргасан албан ёсны бенчмарк үр дүнгээс үзвэл, уг загвар нь график болон UI анализ хийх, харааны өгөгдөлтэй харьцдаг агентын туршилтууд дээр тэргүүлэгч түвшинд хүрчээ.

Chartography (График тайлагнал): 64.3 оноо
Terminal Bench 2.1: 83.9 оноо
DeepSWE (Программ хангамжийн даалгавар): 59.3 оноо
ApexBench (Pass@1): 36.5 оноо

Компанийн мэдэгдсэнээр, энгийн текст суурьтай V4-Flash-тэй харьцуулахад visual reasoning шаардсан workflow-ууд дээр гүйцэтгэл эрс үсрэлт хийж, зах зээл дээрх хамгийн өндөр түвшний коммершиал загваруудтай (Opus түвшин) дүйцэхүйц чадварыг үзүүлж байна.

Үнийн түрэлт: Агентын дэд бүтцийн зардал 5-10 дахин буурна

Хөгжүүлэгчдэд хамгийн их анхаарал татаж буй зүйл бол яах аргагүй үнэ юм. Multimodal өгөгдөл, ялангуяа UI скриншот эсвэл видео боловсруулахад олон мянган токен зарцуулагддаг тул Vision API-ууд ихэвчлэн маш өндөр өртөгтэй байдаг.

Харин DeepSeek дараах үнийн тарифыг зарлалаа:

Input Tokens: 1 сая токен тутамд $0.44
Output Tokens: 1 сая токен тутамд $1.32
Cache Read: 1 сая токен тутамд $0.014

Ийм үнийн бодлого нь хөгжүүлэгчдэд автономит UI testing, вэб хуудсыг автоматаар удирдах агент (Browser Automation), системийн мониторинг dashboard-ийн скриншотыг бодит хугацаанд анализ хийх зэрэг visual агент системийг бодит үйлдвэрлэлд (production) маш бага зардлаар нэвтрүүлэх боломжийг олгож байна.

Хөгжүүлэгчид хэрхэн ашиглах вэ?

deepseek-v4-flash-vision-exp загвар нь DeepSeek API болон OpenRouter, Vercel AI Gateway зэрэг томоохон үйлчилгээнүүдэд шууд холбогдох боломжтой болсон байна.

API дуудлага хийхдээ OpenAI-тай нийцтэй Chat Completions болон Messages форматыг ашиглан зураг (Base64 эсвэл public URL) болон текстийг зэрэг дамжуулах боломжтой:

import openai

client = openai.OpenAI(
    api_key="YOUR_DEEPSEEK_API_KEY",
    base_url="https://api.deepseek.com"
)

response = client.chat.completions.create(
    model="deepseek-v4-flash-vision-exp",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Энэ системийн архитектурын диаграммыг шинжилж, гарч болзошгүй bottle-neck цэгүүдийг заана уу."},
                {
                    "type": "image_url",
                    "image_url": {
                        "url": "https://example.com/system-architecture.png"
                    }
                }
            ]
        }
    ],
    max_tokens=2048
)

print(response.choices[0].message.content)

Дүгнэлт

DeepSeek зөвхөн текстийн орон зайд зогсохгүй олон төрөлт (multimodal) загварын салбарт ийнхүү хүчтэй нэвтэрч эхэллээ. Одоогоор уг загвар "Experimental" (туршилтын) шошготой байгаа ч 1 сая токены багтаамж, өндөр хурд, туйлын хямд үнэ нь visual coding, QA автоматжуулалт, баримт бичгийн боловсруулалт хийдэг инженерүүдэд хүчирхэг шинэ зэвсэг болж байна.

Эх сурвалж: DeepSeek API Docs Change Log & Caixin Global