☝🏻В DeepSeek добавили зрение

18 июня компания DeepSeek добавила в своё приложение и веб-версию режим работы с изображениями — Vision.🤖

Теперь в чате три режима вместо прежней пары кнопок: быстрый (Fast), экспертный (Expert) и зрение (Vision), заточенный под разбор сложной графики.

☝🏻Интереснее не сам факт, что нейросеть научилась смотреть, а то, как она при этом рассуждает.

В основе лежит подход Thinking with Visual Primitives — «мышление визуальными примитивами», описанный в техническом отчёте команды.

Вместо того чтобы просто описывать картинку словами, модель расставляет на ней точки и рамки и вплетает эти метки прямо в цепочку рассуждения — как человек, который водит пальцем по строчкам при счёте или прокладывает путь в нарисованном лабиринте.

Технически зрение построено поверх модели DeepSeek-V4-Flash. Чтобы изображение не съедало слишком много вычислений, разработчики сжимают служебную память: каждые четыре визуальных токена схлопываются в одну запись.

В итоге на одно изображение уходит заметно меньше ресурсов, чем у обычных мультимодальных моделей, — а это прямой удар по стоимости работы со зрением.

По заявлению авторов, на задачах подсчёта объектов и пространственного рассуждения модель держится на уровне GPT-5.4, Claude Sonnet 4.6 и Gemini 3 Flash.📊

При этом сами разработчики делают оговорку: это узкий срез тестов, подобранный под тему их работы, а не оценка общих способностей.

Веса модели пока не выложены.

В модель вшита цензура, поэтому фото вроде "Протесты на площади Тяньаньмэнь" обрабатывать отказывается.🤷🏼‍♀️
================
👁 News | 👁 Soft | 👁 Gear | 👁 Links