DeepSeek เปิดตัวโมเดลความเข้าใจภาพ สายตาที่มาช้าของวาฬสีน้ำเงินใหญ่

หัวข้อต้นฉบับ: "DeepSeek เปิดตัวโมเดลความเข้าใจภาพ 'ตาคู่สุดท้าย' ที่มาถึงช้าสำหรับ Big Blue Whale"
ผู้เขียนต้นฉบับ: Dongcha Beating

เมื่อวันที่ 21 สิงหาคม 2026 DeepSeek เปิดตัวโมเดลความเข้าใจภาพรุ่นใหม่ deepseek-v4-flash-vision-exp พร้อมเปิดให้บริการ API แบบมัลติโมดัลอย่างเป็นทางการ นักพัฒนาสามารถส่งรูปภาพเข้าสู่ API อย่างเป็นทางการของ DeepSeek ได้เป็นครั้งแรก

โมเดลนี้ยังคงความสามารถบริบท 1 ล้านโทเคนและเอาต์พุตสูงสุด 384,000 โทเคนของ V4 Flash รองรับ JSON Output, Tool Calls, Responses API และเข้ากันได้กับ Anthropic API

ราคายังคงใช้ตาม V4 Flash เดิมทุกประการ ต่อ 1 ล้านโทเคนอินพุต เมื่อแคชไม่ตรง ช่วงพีคราคา 3 หยวน ช่วงว่าง 1.5 หยวน เมื่อแคชตรงราคา 0.1 หยวนและ 0.05 หยวนตามลำดับ เอาต์พุตช่วงพีค 9 หยวน ช่วงว่าง 4.5 หยวน ในปักกิ่งทุกวันช่วง 9:00-12:00 น. และ 14:00-18:00 น. เป็นช่วงพีค ส่วนอีก 17 ชั่วโมงที่เหลือคิดครึ่งราคา

รูปภาพก็คิดค่าบริการตามโทเคนเช่นกัน ก่อนเข้าสู่โมเดล รูปภาพแต่ละใบจะถูกปรับขนาดอัตโนมัติตามขนาด รูปที่เล็กกว่าประมาณ 384×384 พิกเซลจะถูกขยายใหญ่ขึ้น ส่วนรูปใหญ่จะถูกบีบให้มีพิกเซลรวมประมาณ 800×800 พิกเซล รูปภาพหนึ่งใบใช้โทเคนสูงสุด 384 โทเคน รูปภาพขนาด 2000×2000 และรูปภาพขนาด 5000×5000 อาจใช้โทเคนเท่ากันเป๊ะในที่สุด

ตามขีดจำกัดสูงสุด 384 โทเคน ค่าอินพุตรูปภาพหนึ่งใบในช่วงพีคเมื่อแคชไม่ตรงอยู่ที่ประมาณ 0.001152 หยวน หากประมวลผลรูปภาพหนึ่งพันใบ ค่าอินพุตรูปภาพเองก็เพียงประมาณ 1.152 หยวน ส่วนค่าข้อความและเอาต์พุตของโมเดลคิดแยกต่างหาก

พร้อมกันนี้ยังเปิดตัว Files API ด้วย นักพัฒนาสามารถอัปโหลดรูปภาพล่วงหน้าแล้วใส่ file_id ลงในคำขอ รูปภาพเดียวกันส่งเพียงครั้งเดียว จากนั้นสามารถอ้างอิงซ้ำได้ในคำขอต่างๆ

API นี้ไม่คิดค่าบริการ ไฟล์เดียวสูงสุด 64 MiB ผู้ใช้แต่ละคนเก็บได้สูงสุด 25 GiB หรือ 10,000 ไฟล์ ไฟล์สามารถตั้งค่าหมดอายุได้ตั้งแต่ 1 ชั่วโมงถึง 30 วัน หากไม่ตั้งอายุก็เก็บได้ถาวร ปัจจุบันทาง官方ยังไม่มีอินเทอร์เฟซสำหรับดาวน์โหลดเนื้อหาไฟล์ นักพัฒนาสามารถอัปโหลด ค้นหา และลบได้ ส่วนโมเดลสามารถอ่านได้ มัน更像คลังรูปภาพฟรีที่เตรียมไว้สำหรับการอนุมานโดยเฉพาะ ไม่ใช่คลาวด์ไดรฟ์ทั่วไป

อย่างไรก็ตาม สิ่งที่แปลกจริงๆ ไม่ใช่การที่ DeepSeek เพิ่งจะมองเห็นภาพได้ในวันนี้

สองเส้นเวลา

หากดูเฉพาะงานวิจัย วิสัยทัศน์ของ DeepSeek ไม่ได้ล่าช้าเลย

แต่หากดูเฉพาะผลิตภัณฑ์และ API มันกลับล่าช้าไปมากจริงๆ

วันที่ 11 มีนาคม 2024 DeepSeek-VL เปิดเป็นโอเพนซอร์ส

มีสองเวอร์ชันคือ 1.3B และ 7B สามารถมองเห็นภาพธรรมชาติ เว็บเพจ สูตร ตาราง และเอกสารได้ ถึงเดือนตุลาคม Janus ก็ปรากฏขึ้น โดยนำการเข้าใจภาพและการสร้างภาพมาไว้ในกรอบ autoregressive ชุดเดียวกัน วันที่ 13 พฤศจิกายน JanusFlow ตามมา ในเดือนธันวาคม DeepSeek-VL2 เปิดตัว เปลี่ยนเป็นสถาปัตยกรรม Mixture-of-Experts โดยจำนวนพารามิเตอร์ทั้งหมดแบ่งเป็นสามระดับคือ 3B, 16B และ 27B

เวลาเช้ามืดของวันที่ 28 มกราคม 2025 ซึ่งเป็นวันตรุษจีน Janus-Pro เปิดเป็นโอเพนซอร์ส คลังเก็บอย่างเป็นทางการบันทึกตามเวลา UTC ไว้เป็นวันที่ 27 มกราคม

เวอร์ชัน 7B ได้คะแนน 0.80 ในการประเมิน GenEval ซึ่งเป็นการวัดการปฏิบัติตามคำสั่งในการสร้างภาพจากข้อความ เกินกว่า DALL-E 3 ที่ได้ 0.67 ตามที่ระบุในเอกสาร มีน้ำหนักโอเพนซอร์ส สามารถติดตั้งในเครื่องได้ และมีเดโมสาธารณะ

DeepSeek ไม่ได้เชื่อมต่อเข้ากับ托管 API ของตัวเอง

เพียงหนึ่งสัปดาห์ก่อนหน้านั้น R1 ได้ผลักดัน DeepSeek ให้เข้าสู่สปอตไลต์แล้ว Janus ยังคงอยู่บน GitHub และ Hugging Face สำหรับผู้ใช้ทั่วไปส่วนใหญ่ มันก็หายไปจากสายตาอย่างรวดเร็ว

วันที่ 20 ตุลาคม 2025 DeepSeek-OCR เปิดเป็นโอเพนซอร์ส ใช้การบีบอัดโทเค็นภาพสำหรับเอกสารยาว วันที่ 27 มกราคม 2026 OCR 2 เปิดตัว

นับจาก DeepSeek-VL เป็นต้นมา ในสองปีมีบันทึกสาธารณะอย่างน้อยเจ็ดรายการที่ตรวจสอบได้ ได้แก่ DeepSeek-VL, Janus, JanusFlow, VL2, Janus-Pro, OCR และ OCR 2

งานวิจัยด้านวิสัยทัศน์ทำมาอย่างต่อเนื่องและปล่อยออกมาตลอด

เพียงแต่นักพัฒนาทั่วไปไม่เคยมีช่องทางเข้าถึงนั้น

ในอีกด้านหนึ่ง ถึงเดือนมีนาคม 2024 อินเทอร์เฟซนักพัฒนาของคู่แข่งหลักหลายรายก็รองรับการรับภาพได้แล้ว OpenAI เปิด GPT-4 Turbo with Vision ในเดือนพฤศจิกายน 2023 ภาพสามารถส่งเข้าสู่ Chat Completions API ได้โดยตรง หนึ่งเดือนต่อมา Google เปิดตัว Gemini Pro Vision API ในเดือนมีนาคม 2024 Claude 3 ทั้งซีรีส์เพิ่มความสามารถด้านวิสัยทัศน์

วันที่ 25 เมษายน 2025 หลี่เหยียนหงกล่าวในงานประชุม Create ของไป่ตู้ว่า "DeepSeek ก็ไม่ได้เก่งไปทุกเรื่อง" จากนั้นในปัญหาที่เขายกตัวอย่าง ก็มีเรื่องของโมดัลเดียวรวมอยู่ด้วย

การคาดการณ์ของเขาคือ มัลติโมดัลจะกลายเป็นมาตรฐานพื้นฐานของโมเดลหลัก และตลาดของโมเดลข้อความล้วนจะเล็กลงเรื่อยๆ

ในเวลานั้น DeepSeek ได้ทำการวิจัยด้านวิทัศน์คอมพิวเตอร์มาแล้วหนึ่งปี

ช่วงเช้ามืด

วันที่ 7 และ 8 เมษายน 2026 ผู้ใช้บางส่วนเปิด DeepSeek แล้วพบว่ามีทางเข้าสามแห่งปรากฏขึ้นมาในอินเทอร์เฟซ

"เร็ว" "ผู้เชี่ยวชาญ" "วิทัศน์"

วันที่ 29 เมษายน เฉินเสี่ยวคัง หัวหน้าทีมมัลติโมดัลของ DeepSeek ยืนยันว่าฟีเจอร์การจดจำรูปภาพเริ่มเปิดให้ผู้ใช้บางส่วนทดสอบแบบ灰度 จากนั้นนักวิจัยอาวุโสของ DeepSeek คนหนึ่งเขียนว่า "ปลาวาฬน้อยตอนนี้มองเห็นได้แล้ว" หนังสือพิมพ์เซาท์ไชน่ามอร์นิงโพสต์นำประโยคนี้ไปใส่ในพาดหัวโดยตรง

ดวงตาของ DeepSeek ปรากฏออกมาจากอินเทอร์เฟซผลิตภัณฑ์เป็นครั้งแรกอย่างแท้จริง

วันถัดมา DeepSeek อัปโหลดบทความเรื่อง "Thinking with Visual Primitives" ขึ้น GitHub ภายในไม่กี่ชั่วโมง คลังข้อมูลและบทความก็ถูกถอนออกไป พอถึงวันที่ 1 พฤษภาคม ที่อยู่เดิมก็คืนค่า 404 แล้ว DeepSeek ไม่ได้ให้คำอธิบายใดๆ บนอินเทอร์เน็ตเหลือเพียงมิเรอร์ของบทความและข่าวที่สื่อนำไปเล่าต่อ

บทความวิจัยนี้ศึกษาปัญหาที่เฉพาะเจาะจงมาก

เมื่อโมเดลเห็นภาพที่แออัดมาก มันมักจะรู้ว่าตัวเองกำลังพูดถึงอะไร แต่ไม่สามารถอธิบายได้ชัดเจนว่ากำลังพูดถึงคนไหน เส้นไหนกันแน่ ทีมงานจึงแทรกพิกัดจุดและกรอบขอบเขตเข้าไปในกระบวนการให้เหตุผลโดยตรง ทำให้โมเดลชี้ตำแหน่งไปพร้อมกับคิดต่อไปเรื่อยๆ

ภาพขนาด 756×756 ผ่านตัวเข้ารหัสวิทัศน์ก่อน กลายเป็นโทเคนบล็อกภาพ 2916 ตัว จากนั้นผ่านการบีบอัดเชิงพื้นที่ 3×3 รวมเป็น 324 โทเคน ความสนใจแบบเบาบางของ V4 Flash บีบอัดแคชต่อไป สุดท้ายเหลือเพียง 81 รายการ KV ทางวิทัศน์

ทีมงานยังสร้างตัวอย่างฝึกฝนมากกว่า 40 ล้านชุดสำหรับวิธีนี้ รวมถึงข้อมูลที่ฝึกการนำทางในเขาวงกตและการติดตามเส้นทางโดยเฉพาะ

บทความนี้ใช้ความพยายามอย่างมากในการแก้ปัญหา ซึ่งจริงๆ แล้วคือ "การชี้ตำแหน่ง"

โมเดลต้องมองเห็นก่อน จากนั้นจึงต้องรู้ว่าตัวเองกำลังมองไปที่ไหน เฉพาะแบบนี้มันถึงจะสามารถให้เหตุผลต่อไปได้

DeepSeek ครั้งนี้ไม่ได้ระบุว่า Vision Exp ใช้ชุด Visual Primitives นี้ครบถ้วนหรือไม่ ที่สำคัญกว่านั้น งานวิจัยนี้เป็นครั้งแรกที่เปิดเผยความเข้าใจของ DeepSeek เกี่ยวกับ "การให้เหตุผลเชิงภาพ" ออกสู่ภายนอก

วันที่ 18 มิถุนายน โหมดอ่านภาพบนเว็บและแอปเปิดตัวอย่างเป็นทางการ วันถัดมา มีสื่ออัปโหลดรูปถ่ายของเหลียง เหวินเฟิง เพื่อทดสอบ DeepSeek จำเขาเป็นจาง อี้หมิง ถึงสองครั้งติดต่อกัน เปลี่ยนบทสนทนาอื่น มันก็จำจาง อี้หมิง เป็นเฉิน เทียนสื่อ ผู้ก่อตั้ง Cambricon

มันอ่านภาพหน้าจอภาษาอังกฤษได้แล้ว และแปลงเว็บเพจเป็นโค้ดได้ด้วย

แต่พอเจอใบหน้าคน กลับจำแม้แต่เจ้านายตัวเองไม่ได้

วันที่ 19 สิงหาคม DeepSeek Harness ทิ้งเอกสารทางเทคนิคที่ระบุวันที่ชัดเจนไว้ อะแดปเตอร์อย่างเป็นทางการสามารถแปลงรูปภาพเป็น image_url ได้แล้ว เอกสารระบุด้วยว่า ไดเรกทอรีโมเดลเริ่มต้นจะยังไม่แสดง deepseek-v4-flash-vision-exp ชั่วคราว ต้องรอให้จุดเชื่อมต่อ API ที่เกี่ยวข้องพร้อมใช้งาน

วันที่ 20 สิงหาคม นักพัฒนายังทดสอบพบว่า การส่งรูปไปยังชื่อโมเดลที่ยังไม่เปิดตัวนี้ จะได้รับข้อผิดพลาด 400 เท่านั้น

วันที่ 21 สิงหาคม ข้อจำกัดนี้ถูกถอดออก Harness เพิ่ม deepseek-v4-flash-vision-exp เข้าไปในไดเรกทอรีโมเดลเริ่มต้น คอมมิตที่รวมเข้าด้วยกันเขียนตรงๆ ว่า "publish the vision model" หลังจากนั้น เอกสาร API อย่างเป็นทางการของ DeepSeek และบัญชีสาธารณะก็ประกาศเปิดตัว Vision Exp พร้อมกัน

สองเส้นทาง终于在มาบรรจบกัน

Agent

ในการถอดเสียงบันทึกการประชุมนักลงทุนเมื่อเดือนพฤษภาคมปีนี้ เหลียง เหวินเฟิง จัดเส้นทาง AGI ตามความเข้าใจของตัวเองเป็นขั้นบันไดหลายขั้น: โมเดลภาษา, สายโซ่ความคิด, Agent, การเรียนรู้ต่อเนื่อง, การปรับปรุงตนเอง และไปถึงปัญญาเชิงกายภาพ

เขาวางมัลติโมดัลไว้ในตำแหน่งของส่วนประกอบ คล้ายกับฟีเจอร์ค้นหา

เมื่อพูดถึงการสร้างวิดีโอ ในการถอดเสียงมีประโยคหนึ่ง:

ในเชิงธุรกิจ มันเป็นธุรกิจที่ดี แต่สิ่งนี้ไม่เกี่ยวข้องกับความฉลาดเลย

การตัดสินใจของเขาคือ การสร้างวิดีโอและโมเดลโลกในระยะปัจจุบันไม่เกี่ยวข้องกับขีดจำกัดของความฉลาดมากนัก สิ่งที่เร่งด่วนกว่าคือการฝึกฝน AI และการเรียนรู้ต่อเนื่องหลังการฝึก

ความแตกต่างของมัลติโมดัลคือ แม้มันจะถูกวางไว้ในตำแหน่ง "คอมโพเนนต์" แต่เป็นสิ่งที่ DeepSeek ระบุชัดเจนว่าจะต้องทำอย่างแน่นอน ตอนนั้นเหลียงเหวินเฟิงยังกล่าวอีกว่า V4 และเวอร์ชันถัดๆ ไปจะรองรับมัลติโมดัลแบบเนทีฟ

วิสัยทัศน์ (Vision) มีตำแหน่งในแผนงานของ DeepSeek เสมอมา เพียงแต่ไม่ได้ถูกจัดลำดับไว้ข้างหน้ามากนัก

เมื่อแผนงานเดินมาถึงขั้นตอนที่สามคือ Agent สถานการณ์เริ่มแตกต่างออกไปบ้าง

DeepSeek ไม่ได้ประกาศต่อสาธารณะว่า Vision API ครั้งนี้ "เปิดตัวเพื่อ Agent" แต่เมื่อนำการตัดสินใจด้านแผนงานของเหลียงเหวินเฟิงมารวมกับการเปิดตัวในวันนี้ เส้นทั้งสองก็ยากที่จะแยกมองออกจากกันโดยสิ้นเชิง

Agent ต้องอ่านหน้าจอ ต้องดูกราฟ ต้องจัดการกับภาพหน้าจอที่เครื่องมือส่งกลับมา มันไม่สามารถอยู่ในโลกข้อความล้วนได้ตลอดไป ความสามารถด้านวิสัยทัศน์ที่พัฒนามาสองปีแล้ว ในที่สุดก็เดินทางจากเอกสารวิจัย คลังโค้ด และหน้าทดสอบ มาถึง API

ตัวอย่างสามกรณีที่ DeepSeek แสดงให้เห็นวันนี้สำหรับ Vision Exp ก็ไม่ใช่รูปแบบดั้งเดิมของ "ดูรูปแล้วเล่าเรื่อง": หนึ่งคือ Agent สร้าง PPT ทริปทิเบตขับรถเองให้ลูกค้าระดับไฮเอนด์ หนึ่งคือออกแบบเว็บไซต์ DeepSeek Harness ใหม่ และอีกหนึ่งคือสร้าง Demo ฟรอนต์เอนด์ที่มีเอฟเฟกต์ไดนามิกตามข้อกำหนดด้านภาพ

ทั้งหมดนี้ต้องการให้โมเดลประมวลผลข้อมูลภาพซ้ำๆ ในงานที่มีขั้นตอนยาว

การออกแบบ API ก็กำลังมุ่งไปในทิศทางนี้เช่นกัน Responses API รองรับ input_image เช่นกัน เบราว์เซอร์ Agent เมื่อได้รับภาพหน้าจอเว็บแล้วสามารถส่งกลับเข้าไปในการอนุมานรอบถัดไปได้ โค้ด Agent สามารถตรวจสอบผลการเรนเดอร์ กราฟ เอกสารสแกน และอินเทอร์เฟซซอฟต์แวร์ก็สามารถกลายเป็นบริบทได้โดยตรง

Files API จัดการอีกเรื่องหนึ่ง: รูปภาพเดียวกันไม่ต้องอัปโหลดซ้ำในทุกคำขอ ไฟล์สามารถวางไว้ได้นาน Agent เพียงแค่ส่ง file_id ซ้ำๆ ในการร้องขอครั้งเดียวสามารถใส่รูปภาพได้สูงสุด 600 ภาพ เมื่อใช้ลิงก์ภายนอกหรือ Base64 ขีดจำกัดต่อภาพคือ 32 MiB แต่เมื่ออ้างอิงผ่าน Files API จะเพิ่มได้ถึง 64 MiB

สิ่งนี้ไม่เหมือนกับการเพิ่มปุ่ม "อัปโหลดรูปภาพ" ให้กับกล่องแชทอีกต่อไป

มันเหมือนกับการเสริมโครงสร้างพื้นฐานที่ Agent ต้องการเมื่อใช้วิสัยทัศน์มากกว่า

การเปรียบเทียบมัลติโมดัล Agent สี่รายการที่ DeepSeek เปิดเผย ก็ไม่ค่อยได้ทดสอบ "ดูรูปแล้วเล่าเรื่อง" ในความหมายดั้งเดิมเช่นกัน

ApexBench มุ่งเน้นงานกระบวนการยาว เช่น วาณิชธนกิจ การให้คำปรึกษา และกฎหมาย Agents' Last Exam มาจากงานจริงใน 55 สาขาอาชีพเฉพาะทาง Chartography ทดสอบเฉพาะเส้นโค้ง Kaplan-Meier กราฟแท่งเทียน เส้นชั้นความสูง แผนภาพซันเบิร์สต์ และแผนภาพบอร์ต ZeroBench ใช้โจทย์ที่ออกแบบด้วยมือ 100 ข้อเพื่อทดสอบการให้เหตุผลเชิงภาพหลายขั้นตอน

Vision Exp ทำผลงานชนะสองแพ้สองกับ Claude Opus 4.8

Agents' Last Exam ได้ 27.3 ต่อ 25.7 ZeroBench ได้ 35.0 ต่อ 34.0 ApexBench ได้ 36.5 ต่อ 39.4 และ Chartography ได้ 64.3 ต่อ 65.0 ความแตกต่างทั้งสี่รายการไม่เกิน 3 คะแนน

ที่น่าสนใจยิ่งขึ้นคือ เมื่อเพิ่มความสามารถด้านภาพ ความสามารถของ Agent แบบข้อความเดิมไม่ได้ลดลงอย่างชัดเจน

เมื่อเปรียบเทียบรายการต่อรายการกับ V4 Flash เวอร์ชันข้อความล้วนที่เผยแพร่เมื่อวันที่ 31 กรกฎาคม เว็บไซต์อย่างเป็นทางการแสดงผลการทดสอบ Agent แบบข้อความห้ารายการที่ให้คะแนนก่อนและหลัง ซึ่งทั้งหมดเพิ่มขึ้น

Terminal Bench 2.1 เพิ่มจาก 82.7 เป็น 83.9 NL2Repo จาก 54.2 เป็น 57.7 DeepSWE จาก 54.4 เป็น 59.3 DSBench-Hard จาก 59.6 เป็น 63.6 และ AutomationBench จาก 25.1 เป็น 25.7 คะแนน 59.3 ของ DeepSWE ยังสูงกว่า 58.0 ของ Opus 4.8 ในกราฟ

อย่างไรก็ตาม ตัวเลขชุดนี้มาจากการทดสอบของ DeepSeek เอง ทางเว็บไซต์ระบุอย่างเป็นทางการว่า ในการทดสอบงานข้อความของ Code Agent แบบสาธารณะ โมเดลตระกูล DeepSeek ใช้โหมดมินิมอลของ DeepSeek Harness โดยตั้งระดับการอนุมานเป็น max ตัวเลขเหล่านี้เหมาะสำหรับการสังเกตการเปลี่ยนแปลงของ Vision Exp เทียบกับ V4 Flash ของตัวเองมากกว่า ไม่ควรนำไปใช้เป็นอันดับอิสระจากบุคคลที่สาม

คำว่า exp หลังชื่อโมเดลยังไม่ได้ถูกถอดออก

DeepSeek ระบุชัดเจนว่าเป็นโมเดลทดลอง และเวอร์ชันอาจยังมีการเปลี่ยนแปลงต่อไป อินเทอร์เฟซปัจจุบันรองรับเฉพาะการเข้าใจภาพ ผลลัพธ์ยังคงเป็นข้อความ การสร้างภาพและวิดีโอยังไม่เปิดให้บริการ และ Files API รับเฉพาะ JPEG PNG GIF และ WebP เท่านั้น ไม่สามารถใส่ PDF เข้าไปได้โดยตรง

ในปี 2024 นักพัฒนาต้องการส่งรูปภาพให้ DeepSeek แต่ API อย่างเป็นทางการยังรองรับไม่ได้

จนถึงวันที่ 21 สิงหาคม 2026 รูปภาพนี้ก็เข้ามาได้ในที่สุด

ดวงตาของ DeepSeek เปิดช้าจริงๆ

เมื่อมันลืมตาขึ้นมาได้จริงๆ เส้นทางข้างหน้าก็ไม่ยอมให้มันหลับตาต่อไปอีกแล้ว

ลิงก์ต้นฉบับ

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia