DeepSeek-V4-Flash-Vision-Exp

Экспериментальная мультимодальная Vision модель DeepSeek для агентов. Текст на уровне V4-Flash, плюс зрение. По визуальным агентским бенчмаркам вплотную к Opus 4.8 при ценах Flash

- Читает скриншоты, документы, анализирует графики и диаграммы - стандартные агентские сценарии с экраном
- Текстовые способности не просели относительно V4-Flash
- Смешанный ввод: текст + изображение в одном запросе
- Три способа передачи картинки: base64 inline, внешний URL, Files API с переиспользованием файлов
- Совместима с OpenAI и Anthropic API

- Форматы: JPEG, PNG, GIF, WebP
- До 384 токенов за изображение - по цене V4-Flash
- До 600 картинок в одном запросе, до 64 МБ на файл
- DeepSeek Harness 0.1.1 поддерживает из коробки

API

#api #vlm

VK | MAX

SenseNova-U1.5-8B-MoT

Превью мультимодалки от SenseNova. Полную ждем

Понимание и генерация картинок в одном трансформере. Никакого VAE, текстового энкодера и DiT

- Текст и картинка используют разные веса в смеси трансформеров, но аттендят друг на друга
- Нативный 4K
- Уверенный рендер текста на китайском и английском
- Точное редактирование
- Понимает структурированные длинные промпты без отдельного обучения

- на Qwen-Image Bench - уровень Nano Banana 2
- на ImgEdit-Bench и GEdit-Bench обходит Nano-Banana и Qwen-Image-2

Гитхаб
HF
Есть 8-шаговая лора
Попробовать
Comfyui

#4k #vlm #imageediting

VK | MAX

WithEveryone

Фреймворк от Tencent Hunyuan и Fudan для генерации групповых портретов

До 10 человек в одном кадре, каждый со своим референсом лица

- Планирование до синтеза: модель решает, кто участвует, где стоит каждый и как построена группа, потом рендерит layout как условие
- Layout CoT привязывает личности к лицам, телам и ключевым точкам позы

Модель в процессе обучения, может потом поделятся, а может и нет

#referencing #research

VK | MAX