DeepSeek Harness Guide
ബ്ലോഗിലേക്ക് മടങ്ങുക

DeepSeek V4-Flash-Vision-Exp dsh v0.1.1-ൽ എത്തി

DeepSeek V4-Flash-ന് തുല്യ വിലയുള്ള vision മോഡൽ ഇറക്കി, dsh v0.1.1-rc.1 അത് adapt ചെയ്യുകയും ഒരു Bubblewrap sandbox escape ശരിയാക്കുകയും ചെയ്യുന്നു.

2026 ഓഗ 21DSH Field KitDSH Field Kit

August 21-ന് DeepSeek മണിക്കൂറുകളുടെ ഇടവേളയിൽ രണ്ട് കാര്യങ്ങൾ ഇറക്കി, അവ ഒരേ കഥയാണ്: API-യിലെ vision മോഡൽ, അത് ഓടിക്കാൻ കഴിയുന്ന dsh release.

ആദ്യം upgrade: sandbox escape ശരിയായി

v0.1.1-rc.1 ഒരു Bubblewrap sandbox escape ശരിയാക്കുന്നു — confined processes-ന് /proc/<pid>/root വഴി നിയന്ത്രണങ്ങൾ മറികടക്കാമായിരുന്നു. വിശ്വസിക്കാത്ത കോഡിന് ചുറ്റും Bubblewrap sandbox ഇട്ട് dsh ഓടിക്കുന്നുണ്ടെങ്കിൽ, ഒഴിവുസമയത്ത് അല്ല, ഇപ്പോൾ upgrade ചെയ്യാനുള്ള കാരണം ഇതാണ്.

Launch-ന് ശേഷമുള്ള ആദ്യ version-number bump കൂടിയാണിത്: ഇതിന് മുമ്പുള്ള എല്ലാ releases-ഉം 0.1.0 release candidates ആയിരുന്നു, ഇത് 0.1.1-rc.1 ആണ്.

Vision മോഡൽ

deepseek-v4-flash-vision-exp. Experimental, 1M context.

  • ടെക്സ്റ്റ്: DeepSeek പ്രകാരം V4-Flash-ന് തുല്യം.
  • Vision: visual agent benchmarks-ൽ text-only Flash-നെ വലിയ അന്തരത്തിൽ മുന്നിൽ — DeepSeek-ന്റെ സ്വന്തം വാക്കുകൾ അത് Opus-4.8-നടുത്ത് വയ്ക്കുന്നു.
  • വില: V4-Flash-ന് തുല്യം. Vision-ന് extra വിലയില്ല.

| 1M tokens-ന് | peak | off-peak | | --- | --- | --- | | ഇൻപുട്ട്, cache hit | $0.014 | $0.007 | | ഇൻപുട്ട്, cache miss | $0.44 | $0.22 | | ഔട്ട്‌പുട്ട് | $1.32 | $0.66 |

Vendor റിപ്പോർട്ട് ചെയ്ത benchmarks: Terminal Bench 2.1 83.9 (V4-Flash സ്കോർ 82.7), DeepSWE 59.3, DSBench-Hard 63.6, Chartography 64.3, ZeroBench (Pass@5) 35.0, Agents' Last Exam 27.3.

രണ്ട് caveats ഓർത്തിരിക്കുക. ഇവ DeepSeek-ന്റെ സ്വന്തം അക്കങ്ങൾ, മറ്റാരും reproduce ചെയ്തിട്ടില്ല. Exp എന്നാൽ experimental — stability വാഗ്ദാനമില്ല, experimental endpoints ആണ് പിൻവലിക്കപ്പെടുന്നവ.

dsh-ൽ നിന്ന് ഉപയോഗിക്കുക

v0.1.1-rc.1-ന്റെ DeepSeek adapter ഈ മോഡൽ വഹിക്കുന്നു, upgrade ചെയ്താൽ model choice-ൽ കാണാം. Plumbing നേരത്തെ ഉണ്ടായിരുന്നു: rc.8 native image requests, /goal-നും /plan-നും image input, @ menu-വിൽ file, session references ചേർത്തു. മോഡൽ എത്തുമ്പോൾ, UI-യ്ക്ക് ഇതിനകം ചിത്രങ്ങൾ നൽകാൻ കഴിയും.

v0.1.1-rc.1-ന്റെ ബാക്കി

  • Composer-ൽ @ reference-ന് മുമ്പ് ടെക്സ്റ്റ് എഡിറ്റ് ചെയ്യുമ്പോഴുള്ള layout glitch ശരിയാക്കി.
  • Conversations-ൽ responsive Markdown tables; 99.x% range-ലെ cache-hit ratios-ന് സത്യസന്ധമായ precision; subagent conversation header navigation.
  • ask_user_question ഉത്തരങ്ങൾ ഒന്നിലധികം വരികൾ സ്വീകരിക്കുന്നു, wrapping-ഉം newlines-ന് Shift+Enter-ഉം.

Launch മുതലുള്ള cadence ഏകദേശം രണ്ട് ദിവസത്തിൽ ഒരു RC: 17-ന് rc.7, 19-ന് rc.8, 21-ന് ഇത്.

സ്രോതസ്സുകൾ