DeepSeek कंपनी ने अपनी पहली नेटिव मल्टीमॉडल मॉडल प्रस्तुत की है। DeepSeek-V4-Flash-Vision-Exp मॉडल 31 अगस्त को MIT लाइसेंस के तहत Hugging Face प्लेटफॉर्म पर उपलब्ध हो गया है, जो टेक्स्ट के साथ-साथ V4 श्रृंखला में छवि इनपुट के प्रारंभिक समर्थन का प्रतीक है।
इस रिलीज़ में मॉडल फ़ाइलें, टोकनाइज़र, प्रॉम्प्ट एन्कोडिंग के लिए न्यूनतम कार्यान्वयन, और PyTorch पर इन्फेरेंस के लिए न्यूनतम कार्यान्वयन शामिल हैं। यह कार्यान्वयन विज़ुअल एनकोडर, अलाइनर (aligner), DFlash अटेंशन, मिक्सचर-ऑफ-एक्सपर्ट्स रूटिंग लेयर (mixture-of-experts routing layer), हाइपर-कनेक्शन्स मॉड्यूल और DSpark को कवर करता है।
DeepSeek ने बताया कि मॉडल का वज़न एक प्रायोगिक असेंबली 'Exp' है; पहले यह मॉडल 21 अगस्त से DeepSeek API के माध्यम से उपलब्ध था। विज़ुअल क्षमताओं के कारण, मॉडल छवियों का वर्णन करने, स्क्रीनशॉट पर टेक्स्ट पढ़ने और JPEG, PNG, GIF और WebP प्रारूपों में इनपुट डेटा लेकर ग्राफ़ का विश्लेषण करने में सक्षम है।
केवल पाठ पर आधारित कार्यों—जैसे तर्क, एजेंट और विश्व ज्ञान—में, कंपनी का दावा है कि प्रदर्शन V4-Flash संस्करण के अनुरूप है, जो पिछली ताकत को बनाए रखता है। हालांकि, दृश्य समझ की आवश्यकता वाले एजेंट बेंचमार्क में, मॉडल V4-Flash से काफी बेहतर प्रदर्शन करता है, मल्टीमॉडल एजेंट की क्षमताओं को Claude Opus 4.8 के स्तर के करीब लाता है।
इन्फेरेंस स्टैक और स्वयं वज़न को खोलकर, DeepSeek इस मॉडल को विभिन्न फ्रेमवर्क और एजेंट टूल में एकीकरण के लिए स्थिति में रखती है, अपने खुले वज़न की रणनीति को पाठ कार्यों से दृष्टि-समर्थित कार्यों तक विस्तारित करती है। डेवलपर्स और उद्यमों के लिए, यह रिलीज़ स्थानीय रूप से प्रतिस्पर्धी दृष्टि क्षमताओं वाली मॉडल को तैनात करने या मानक बुनियादी ढांचे का उपयोग करने की बाधा को कम करती है, जो किफायती और अनुकूलन योग्य खुले मॉडल के लिए उद्योगव्यापी रुझान के अनुरूप है।
दृश्य डेटा के साथ काम करने में सक्षम मॉडल AI एजेंट बाजार के प्रमुख तत्व बन गए हैं, क्योंकि डेवलपर्स तर्क क्षमताओं के साथ स्क्रीनशॉट और वास्तविक छवियों को जोड़ रहे हैं। DeepSeek का कदम चीनी प्रयोगशालाओं द्वारा जारी किए जा रहे खुले मल्टीमॉडल रिलीज़ की बढ़ती प्रवृत्ति का अनुसरण करता है, जो अमेरिकी डेवलपर प्लेटफार्मों, क्लाउड सेवा कैटलॉग और कॉर्पोरेट मॉडल मेनू पर लोकप्रियता हासिल करने के लिए अनुमत लाइसेंस और आक्रामक मूल्य निर्धारण का उपयोग करते हैं।
चूंकि मॉडल अपने वजन के स्तर के लिए काफी हल्का है और इन्फेरेंस के साथ न्यूनतम लिंक के साथ आता है, इसलिए टीमें मालिकाना ऑर्केस्ट्रेशन उपकरणों की आवश्यकता के बिना इसे जल्दी से लागू कर सकती हैं। कंपनी ने कहा है कि वह दृश्य कार्यक्षमता वाली प्रायोगिक असेंबली का उपयोग वास्तुशिल्प समाधानों—अलाइनर, DSpark और हाइपर-कनेक्शन्स घटकों—का परीक्षण करने के साधन के रूप में V4 श्रृंखला में सुधार करना जारी रखेगी, इससे पहले कि व्यापक मल्टीमॉडल रिलीज़ हो। वर्तमान में, प्रायोगिक ध्वज सावधानी की आवश्यकता को इंगित करता है: ग्राफ़ की पहचान और समझ मजबूत है, लेकिन DeepSeek मॉडल को सभी छवि कार्यों में उत्पादन तत्परता मानकर परीक्षण करने के बजाय विशिष्ट कार्यभार पर परीक्षण करने की सलाह देता है। शुरुआती उपयोगकर्ता, जिसमें शोध समूह और एप्लिकेशन डेवलपर्स शामिल हैं, अपने स्वयं के प्रक्रियाओं में मॉडल की Opus-स्तर की मल्टीमॉडल एजेंट क्षमताओं का परीक्षण करने के लिए खुले स्टैक का उपयोग कर रहे हैं।