DeepSeek навчився дивитися на картинки. Модель V4 Flash Vision приймає на вхід скриншоти, чеки, скани документів і графіки, а у відповідь віддає текст. Працює це поки лише через платний інтерфейс для розробників: у безкоштовному чаті такої можливості немає. І є засада, про яку мовчить більшість оглядів: перед розпізнаванням зображення стискається, тому знімок усього екрана модель читає гірше за окремий його фрагмент.
Нижче розберемо, що модель уміє насправді, де в неї межа міцності і кому варто переносити на неї рутину.
DeepSeek випустив першу свою модель, яка приймає зображення на вхід: вона читає скриншоти, чеки, документи й графіки, а відповідає текстом. Доступ дає платний інтерфейс для розробників, у безкоштовному чаті функції немає. Одна картинка обходиться моделі у фіксовану верхню планку токенів незалежно від розміру файлу, а в один запит їх поміщаються сотні. Головна умова роботи: перед розпізнаванням зображення примусово стискається до невеликого квадрата, тому повноекранні скриншоти треба різати на фрагменти. У назві стоїть офіційна позначка «експеримент», тому критичний робочий процес на цій моделі будувати ризиковано.
Короткий словник
- Мультимодальність — здатність моделі приймати не тільки текст. Тут на вході текст і картинки, на виході як і раніше лише текст.
- Токен картинки — обсяг, у який моделі обходиться один знімок незалежно від його розміру й ваги.
- API — платний програмний інтерфейс, через який до моделі звертаються кодом, без звичайного вікна чату.
- Пікові години — час найбільшого завантаження серверів, коли обробка запиту дорожча. Вони прив'язані до робочого дня в Китаї.
Що саме випустив DeepSeek і чому це помітна новина
Формально це відгалуження від швидкої текстової моделі DeepSeek: той самий скелет, до якого прикрутили зір. Раніше в компанії був тільки текст, і ні чек сфотографувати, ні скриншот кинути не виходило. Тепер виходить.
Про архітектуру самого зору розробник не сказав нічого. Відома лише базова модель: розріджена схема Mixture of Experts, коли на кожен запит працює частина параметрів, а не вся мережа одразу. Звідси й береться швидкість, заради якої версію назвали Flash.
Помітною новина стала через співвідношення можливостей і вартості обробки. За заявою розробника, на візуальних тестах модель зійшлася з топовою платною моделлю Claude Opus, а обробка при цьому виходить помітно дешевшою. Для разових завдань різниця непринципова. Для потокового розбору документів вона змінює саму постановку питання: те, що раніше рахували як витрату на кожен знімок, стає фоновою операцією.
Чим версія зі зором відрізняється від звичайної Flash
Головна відмінність очевидна: попередня версія бачила лише текст, ця приймає ще й зображення.
Є друга, менш очевидна. Модель зі зором виявилася сильнішою і на звичайних текстових завданнях: майже на всіх загальних метриках вона обійшла попередню текстову версію. Просідання знайшлося одне, на тесті пошуку вразливостей у коді. Якщо ви використовували текстову версію для розбору коду на безпеку, звірте результат перед переходом.
Де модель доступна: платний інтерфейс для розробників замість безкоштовного чату
Це перше, у що впирається нетехнічний читач. Розпізнавання картинок працює через API, тобто через програмний інтерфейс, за який треба платити й до якого треба підключитися кодом або готовим сервісом. У звичайному чаті DeepSeek функції немає.
Для підприємця без розробника це означає одне: сама по собі новина ще не дає інструмента в руки. Потрібен або той, хто підключить модель, або сторонній сервіс, який уже зробив це за вас. Перш ніж витрачати на це час, корисно чесно порахувати виграш: як зрозуміти, чи справді ШІ окупається у вашому бізнесі.
Технічні межі моделі простою мовою
Скільки важить одна картинка для моделі
Тут закладена приємна логіка. Одне зображення обходиться у фіксовану верхню планку токенів незалежно від того, чи це дрібна іконка, чи важкий скан на весь аркуш. Велике зображення коштує моделі стільки ж, скільки маленьке.
На практиці це знімає звичну економію на якості. Стискати файл перед відправкою заради дешевшого запиту сенсу немає. На цьому легко втратити чіткість дрібного тексту.
не стискайте зображення самі перед відправкою. Модель усе одно приведе його до свого розміру, а ваше попереднє стиснення з'їсть частину деталей, які могли б урятувати розпізнавання.
Формати зображень і три способи їх передати
Формати звичайні: JPEG, PNG, GIF, WebP. Формат визначається за вмістом самого файлу, тому перейменований знімок усе одно обробиться коректно.
Способів передати картинку три: вкласти її в запит закодованим рядком, дати посилання на публічну адресу або завантажити через окремий інтерфейс для важких файлів. Вибір залежить від ваги файлу та від того, чи лежить зображення у відкритому доступі. Для разового розбору достатньо першого способу, для регулярної пакетної обробки зручніший третій.
Треба передати зображення в модель: як саме?
- Файл важкийОкремий інтерфейс завантаження файлів
- Файл легкийКартинка вже лежить у відкритому доступі?
- Такпередати посиланням на публічну адресу
- Нівкласти прямо в запит у кодуванні base64
Головне обмеження: картинку стискають перед розпізнаванням
Чому повноекранний скриншот читається гірше за свій фрагмент
Перед розпізнаванням будь-яке зображення примусово приводиться до невеликого квадрата. Знімок монітора з відкритою таблицею після такого перетворення втрачає саме те, заради чого ви його робили: дрібні написи в комірках змазуються до нечитабельного.
Звідси парадокс, який збиває з пантелику: та сама модель блискуче читає фото чека з телефона і плутається у скриншоті бухгалтерської програми. Усе впирається у щільність дрібного тексту на одиницю площі.
якщо модель повернула нісенітницю на вашому скриншоті, перша гіпотеза не «вона погана», а «я дав їй забагато площі за раз». Перевірте це, надіславши той самий екран частинами.
Як різати зображення, щоб дрібний текст не загубився
Правило просте: один смисловий блок на одну картинку. Шапка документа окремо, таблиця окремо, підсумки окремо.
Ви надсилаєте скриншот екрана цілком, де відкрито таблицю, панель інструментів і бічне меню. Модель бачить розмиту сітку і вигадує значення там, де не змогла їх прочитати.
Ви ріжете той самий екран на шапку таблиці, тіло з даними і рядок підсумків. Кожен фрагмент модель отримує великим планом і читає числа без здогадок.
Порядок дій зі скриншотом: коли різати його на фрагменти, а коли надсилати як є
- Маєш зображення для розпізнавання
- Це повноекранний скриншот?
- ТакРозріж на фрагменти за смисловими блоками
- Дрібний текст добре читається?
- ТакНадсилай зображення в модель
- Перевір результат на числах, датах і назвах
- Це повноекранний скриншот?
- НіДрібний текст добре читається?
- Дрібний текст добре читається?
- НіЗбільш масштаб і зроби знімок заново
- Дрібний текст добре читається?
Наскільки модель точна насправді
Що показали візуальні тести і хто їх заміряв
За заявленими результатами модель зійшлася з топовою платною моделлю Claude Opus на візуальних тестах: частину виграла, частину програла. Виглядає сильно.
Тепер поправка. Ці заміри провів сам розробник моделі, незалежних перевірок на момент виходу немає. Тест, який виробник обирає сам, майже завжди показує його продукт із вигідного боку. Будь-які бенчмарки від автора продукту читають з поправкою на те, хто їх замовляв.
Несподіваний побічний ефект: зір підтягнув і текстові відповіді
Приріст на загальних метриках частково пояснюється технічною деталлю: текстова версія фізично не бачила картинкових частин завдань і не могла їх розв'язати. Порівняння виходить нерівним.
Практичний висновок усе одно на боці нової версії. Переходити на неї має сенс навіть тим, кому картинки не потрібні, з єдиним застереженням щодо завдань на пошук уразливостей у коді.
Порівняння з GPT-4 Vision і Gemini
Швидкість, точність і чого бракує для чесного тесту
Чесна відповідь: публічного порівняння, яке однаково заміряло б усі три моделі на однакових зображеннях, зараз немає. Кожен виробник показує свої тести на своїх наборах даних.
Що можна сказати впевнено. Flash-версія оптимізована саме під швидкість обробки зображення, і це її заявлена перевага перед важчими зоровими моделями. Вартість обробки в неї нижча. Точність на англомовних друкованих документах у всіх трьох моделей висока, і різниця там радше косметична.
Реальна різниця вилазить на складних випадках: погане освітлення, нестандартні бланки, рукописний текст, кирилиця. Саме тут корисно зробити власний тест на своїх документах.
Що можна доручити моделі вже зараз
Облік витрат за фото чеків і накладних
Найзрозуміліший сценарій. Ви фотографуєте чеки протягом місяця, потім віддаєте пачку моделі одним запитом і просите звести їх у таблицю: дата, постачальник, сума, категорія. В один запит поміщаються сотні зображень, тому місячна пачка їде цілком.
Модель добре витягує друковані реквізити з рівного знімка. Гірше їй даються зім'яті термочеки, де фарба вигоріла. Такі простіше перезняти при доброму світлі, ніж потім вручну виправляти половину рядків.
Для бухгалтерської рутини це помітна економія часу, і вона змінює склад роботи: які навички лишаються за бухгалтером в епоху ШІ.
Скриншоти переписок, інтерфейсів і повідомлень про помилки
Другий за частотою сценарій. Скинути моделі скриншот помилки й попросити пояснити, що сталося, швидше, ніж перенабирати текст помилки руками.
Тут особливо працює правило фрагментів. Вікно з помилкою окремо, лог окремо.
Скани документів, графіки та дашборди
З графіками модель справляється, коли підписи осей великі. Дашборд із десятком дрібних віджетів краще розбирати по одному віджету. Скани договорів читаються добре, якщо аркуш знято рівно й повністю потрапив у кадр.
Перевірити все це на своїх файлах можна за один вечір:
Зібрати зразки
- десяток типових зображень: чек, скриншот, скан, графік
Прогнати через модель
- однакове завдання на всі зразки, без підказок
Порівняти з еталоном
- звірити числа й назви з оригіналами вручну
Порізати проблемні
- те, що не вийшло, надіслати фрагментами й порівняти знову
Слабкі місця: де модель помиляється найчастіше
Низькоякісні фото, нестандартні бланки та рукописний текст
Тут нічого нового порівняно з іншими зоровими моделями. Розмите фото під кутом, тінь від руки на половині документа, вигорілий термочек: усе це знижує точність. Нестандартний бланк без звичної структури модель намагається підігнати під знайомий шаблон і може приписати значення не в ту графу.
Рукописний текст лишається найслабшим місцем. Друкований бланк із рукописними вставками модель прочитає лише частково.
найнебезпечніший збій виглядає так: модель упевнено підставляє правдоподібне число замість нерозбірливого і йде далі. Числа після розпізнавання звіряють вибірково завжди.
Кирилиця на чеках: чому цю перевірку варто зробити самому
Майже всі публічні огляди перевіряють зорові моделі на англомовних зразках. Українських чеків і бланків у цих тестах немає.
З кирилицею цілком може бути все гаразд. Просто ніхто цього публічно не заміряв, тому відповідь ви отримаєте лише на власних документах. Витратьте на перевірку вечір, перш ніж будувати на моделі процес.
Статус «експеримент» і приватність даних
Чому на цій моделі не варто будувати критичний процес
У назві моделі стоїть офіційна позначка експерименту. За нею стоять конкретні речі: ваги не викладені, технічного звіту немає, модель можуть змінити або прибрати без попередження.
Уявіть, що ви зібрали на ній обробку первинних документів, налаштували під неї шаблони запитів і звикли до якості. Одного ранку поведінка змінюється, бо розробник оновив модель. Найгірше, що процес при цьому не зупиниться: він далі видаватиме результат, тільки вже з тихими помилками.
Для разових завдань статус нормальний. Для процесу, від якого залежить звітність, потрібен запасний варіант і регулярна вибіркова перевірка. Про рівні контролю над ШІ в робочих процесах є окремий розбір: три рівні контролю для надійних ШІ-агентів.
Що робити з персональними даними на чеках і сканах
Будь-яке зображення, надіслане в стороннє хмарне API, залишає ваш периметр. Чек із супермаркету це не турбує. Паспорт клієнта, медична довідка або договір із персональними даними турбує дуже.
Робоче правило: перед відправкою замалюйте поля, які моделі не потрібні для завдання. Якщо працюєте з чужими даними, спершу перевірте свої зобов'язання перед клієнтами.
Кому підходить, а кому варто зачекати
Модель добре лягає на потокові завдання з друкованими документами, де помилка коштує недорого і легко ловиться вибірковою перевіркою. Облік дрібних витрат, розбір скриншотів, чернетковий переказ сканів у таблицю.
Зачекати варто тим, у кого на кону звітність, персональні дані клієнтів або рукописні первинні документи. Причина не в якості розпізнавання, а в статусі експерименту, який не дає гарантії стабільної поведінки завтра.