Зрение за копейки: DeepSeek добавил мультимодальность в легкую модель

Китайцы продолжают методично ломать экономику инференса западных бигтехов. DeepSeek раскатил мультимодальный апдейт для своей бюджетной линейки, прикрутив полноценную обработку изображений без наценки за «элитарность».

Пока OpenAI и Anthropic продают обработку картинок по прайсу крыла от самолета, открытый стек получает зрение почти по цене обычного текста.

Что под капотом и в бенчмарках:

• Архитектура: Облегченный визуальный энкодер с динамическим разрешением, интегрированный напрямую в компактную ветку `DeepSeek`. Модель не пережимает исходники в мыло, сохраняя мелкие детали схем и текста.

• Парсинг документов и UI: Отлично отрабатывает OCR сложных таблиц, графиков и интерфейсов — ключевая боль при автоматизации рутины через агентов.

• Инференс: Сохранена сверхнизкая стоимость обработки токенов, что делает модель идеальным шлюзом для первичной фильтрации визуального контента перед отправкой в тяжелые сетки.

Пока стартапы пакуют чужие Vision API в миллионные подписки, DeepSeek делает мультимодальность базовой утилитой для каждого разработчика.

Для агентных пайплайнов это тектонический сдвиг: теперь агент может дешево «смотреть» на скриншоты экранов и логи без риска сжечь весь баланс за пару итераций.