Компания DeepSeek запустила режим Vision в своём чате, добавив возможность анализа изображений. Теперь модель может не просто распознавать картинки, но и рассуждать о них, используя так называемые визуальные примитивы — точки, рамки и метки, которые она накладывает на изображение, подобно тому, как человек водит пальцем по строчкам при счёте. Этот подход помогает избежать неточностей, возникающих при словесном описании сложных сцен.

Технология основана на модели DeepSeek-V4-Flash. Чтобы снизить вычислительные затраты, разработчики сжимают визуальную память: каждые четыре визуальных токена объединяются в одну запись. Это делает обработку изображений более эффективной и дешёвой по сравнению с другими мультимодальными моделями.

По результатам тестов в задачах подсчёта объектов и пространственного мышления модель сопоставима с GPT-5.4, Claude Sonnet 4.6 и Gemini 3 Flash. Однако команда подчёркивает, что это узкий набор тестов, заточенный под их разработку. Полные веса модели пока не опубликованы.