دیپسیک یه API برای آپلود عکس داد
هوش مصنوعیClaude Sonnet 5خلاصهٔ کاملتر
دیپسیک کنار مدل بینایی تازهش V4 Flash Vision (یعنی نسخهای از V4 Flash که میتونه عکس، اسکرینشات، نمودار و سند رو هم مثل متن بفهمه) یه Files API هم منتشر کرده. ایدهش سادهست: عکس رو یهبار میفرستی، یه شناسهی کوتاه پس میگیری، و از اون به بعد بهجای فرستادن دوبارهی کل دیتای عکس، فقط همون شناسه رو تو درخواستهای بعدی ارجاع میدی.
مشکلی که حل میکنه اینه: بدون همچین مکانیزمی، هر بار سؤال جدیدی دربارهی یه عکس میپرسی، باید کل دیتای عکس (چه base64 باشه چه لینک) رو دوباره بفرستی. تو یه گردشکار تکراری، مثلاً اول استخراج متن از عکس، بعد خلاصهکردنش، بعد یه سؤال جزئیتر، این یعنی چند بار پهنایباند و هزینهی پردازش عکس رو دوباره میپردازی، درحالیکه خود عکس عوض نشده.
هر عکس حداکثر ۳۸۴ توکن حساب میشه و با همون نرخ متن معمولی V4 Flash صورتحساب میشه، یعنی درخواستهای تصویری فعلاً هزینهای شبیه درخواستهای متنی دارن. سه راه برای فرستادن عکس هست: base64، لینک مستقیم، یا همین Files API، و هر سه رو میشه تو فرمتهای مختلف API دیپسیک (چت، مسیج، ریسپانس) استفاده کرد. آپلود رایگانه؛ فایلها هم بسته به تنظیمت تا ۳۰ روز یا برای همیشه میمونن.
یه بررسی مستقل چند تست رو نشون داده: رو نمودار کسبوکار و جدول مالی کیفیتپایین، مدل ساختار و اعداد رو درست بازسازی کرده و حتی رابطهی علّی بین دو سری داده رو تشخیص داده. اما رو فرمولهای ریاضی چگال، جای یه توان رو اشتباه گذاشته، و تو دستخط چندزبانه (انگلیسی، اردو، عربی، اندونزیایی) بخش اردو رو کلاً جا انداخته و یه کلمهی ساختگی هم به بخش اندونزیایی اضافه کرده.
به گفتهی نویسنده، این الگو نشون میده مدل تو استدلال تصویری و استخراج دادهی ساختاریافته واقعاً قویه، ولی هنوز رو کارهایی که نیاز به رونویسی دقیق کاراکتربهکاراکتر دارن، مخصوصاً زبانهای کمرایجتر، مستعد توهمه. Files API برای هر گردشکاری که چند سؤال رو یه عکس میپرسی بهصرفهست؛ برای یه سؤال تکمرحلهای، base64 یا لینک سادهتره.
نکات کلیدی:
- V4 Flash Vision (آزمایشی) اولین مدل بینایی خط V4 Flash دیپسیکه
- هر عکس حداکثر ۳۸۴ توکن حساب میشه، همنرخ با متن معمولی
- Files API آپلود رایگانه و فایلها تا ۳۰ روز یا برای همیشه نگه داشته میشن
- مدل رو نمودار و جدول مالی قوی بود ولی رو فرمول ریاضی و دستخط چندزبانه (بهخصوص اردو) اشتباه کرد
- سه راه ورودی عکس هست: base64، لینک، یا Files API، هر سه رو چت/مسیج/ریسپانس API
