DeepSeek, V4 Flash 실험 모델에 이미지 입력 API 추가

DeepSeek V4 Flash 0731은 비전을 할 수 있다고 가정한 뒤 실제로 이미지를 못 보면 텍스트 기반 이미지 분석 도구를 지어내더라. 스크린샷을 보지 말라고 해야 세션이 안 깨졌는데, 이건 그 문제를 고친 업그레이드면 좋겠음.

내 프로젝트 3개에서 픽셀을 분석해서 비전을 재현하려고 하더라.

큰 이미지를 대략 800×800 픽셀 수준으로 줄이면 OCR이나 A4, Letter 전체 페이지 읽기에는 해상도가 부족함. 잘라서 여러 장으로 넣으면 되려나.

Playwright 스크린샷을 정확히 못 보는 게 DeepSeek에서 Sonnet으로 갈 때 가장 아쉬운 점이었음. 이미지당 최대 384토큰이면 이미지 2,500장에 약 $1 계산인데, 800×800 제한은 많은 용도를 죽임.

이 모델 가중치도 공개될까 궁금함. 공개가 아니라면 자체 호스팅 DeepSeek Flash에 비전을 붙일 방법을 찾고 싶음.

DeepSeek은 공개를 꾸준히 해왔으니 그럴 것 같음. 'Thinking with Visual Primitives' 논문 계열이라면 가중치를 낸다고 언급했던 기억도 있음.

DeepSeek 창업자가 AGI에는 멀티모달에 집중하지 않고 텍스트만으로 충분하다고 말했다고 알았는데, 방향이 바뀐 건가?

회의록에는 V4와 후속 모델에 네이티브 멀티모달을 넣겠다고 했음. 다만 모든 학습에 글로벌 모델이나 멀티모달이 필수는 아니라는 발언도 함께 있었고, 화자 ID가 없어서 누가 말했는지는 불명확함.

800×800은 0.64메가픽셀이라 1995년 Super VGA의 약 0.79메가픽셀보다도 낮음. 웬만한 용도는 되겠지만 작은 글씨와 미세한 부분까지 보려면 1080p 정도는 돼야 한다고 봄.

도구를 쓰는 모델이라면 자르고 확대하는 도구로 자기가 본 내용을 검사해야 한다고 봄.

나는 보통 작은 스크린샷만 넣어서 이 정도면 충분함. 화면 전체를 넣으면 오히려 많은 LLM이 맥락을 헷갈려 하더라.

직장에서는 V4 Pro와 Flash를 작업별로 돌리는데, 이미지 입력 때문에 Opus 4.6으로 옮겼던 경험이 별로였음. 해상도 제한은 있지만 DSH에서는 이미지 입력을 Cloudflare의 Kimi K2.6으로 보내는 비전 워커 플러그인을 이미 만들어 둠.

HN에서 비전의 가장 흔한 용도는 프런트엔드 개발이고, 그다음은 종이 문서 OCR임. 내 서비스에서는 이력서, 문서, 작업 현장 사진을 대화형 에이전트에 보내기 때문에 Flash가 사진을 못 보는 게 문제였음.

에이전트형 그래픽 디자인 도구를 만들고 있어서 모델이 자기 작업물을 검사하는 데 비전이 필요함. 텍스트 전용 모델보다 이 모델에서 벌써 개선이 보임.