Memberi DeepSeek kemampuan multimodalitas: pendekatan visi Qwen-3.7-Flash

Awalnya diposting di X — 89 ribu tayangan, 600+ suka.

Banyak orang mengeluh bahwa DeepSeek V4 Flash tidak punya kemampuan multimodal. Ini memang celah yang nyata — tetapi tidak perlu terpaku pada satu model.

Masalahnya

Kemampuan teks V4 Flash sudah maksimal, tetapi ia tidak berdaya menghadapi gambar: screenshot, gambar tabel, mockup desain UI, dokumen hasil pindai — semuanya tidak bisa ditangani.

Multimodalitas adalah harga dari "murah" — model perlu encoder visual, parameter menggelembung, dan biayanya ikut naik.

Solusinya: kombinasikan model

Saya menyurvei model visi paling hemat biaya di pasaran, dan jawabannya adalah Qwen-3.7-Flash.

Biaya mengenali satu gambar sangat kecil sampai bisa diabaikan. Pakai ia sebagai model visi khusus, biarkan penalaran teks tetap di V4 Flash, dan Anda mendapat yang terbaik dari keduanya.

Cara mengombinasikannya

Ide paling sederhana adalah "routing": input mengandung gambar → model visi; teks murni → V4 Flash.

// pseudocode: rute sesuai kebutuhan
function route(input) {
  if (hasImage(input)) {
    return qwenVision(input)   // kenali gambar + ekstrak info kunci
  }
  return deepseekV4Flash(input) // penalaran teks
}

Cara yang lebih canggih adalah menyuapi hasil visi langsung ke V4 Flash untuk penalaran lanjutan:

1. Minta Qwen-3.7-Flash mengenali gambar dan mengeluarkan deskripsi terstruktur
2. Serahkan deskripsi + pertanyaan asli bersama-sama ke DeepSeek V4 Flash
3. V4 Flash menalar secara mendalam berdasarkan deskripsi — menulis kode, meringkas

Dengan begitu Anda mendapat kemampuan visi dan murah-cepatnya V4 Flash.

Kasus penggunaan yang bagus

• Tanya-jawab screenshot: lempar screenshot error dan screenshot chat
• Gambar tabel / dokumen menjadi data terstruktur
• Mockup UI menjadi kode
• Mengekstrak informasi dari invoice dan kontrak hasil pindai
• Agent yang perlu "melihat" layar

Mengapa bukan opsi lain

LLM visi murni (seperti model multimodal keluarga GPT) memang kuat, tetapi harganya memang begitu — tidak ekonomis untuk pekerjaan batch harian.

Qwen-3.7-Flash menang pada cost-performance: kualitas pengenalannya cukup, biayanya nyaris tak terlihat, dan Anda bisa menjalankan batch besar tanpa berkedip.

Ringkasan

Kombinasi model adalah norma — jangan berharap satu model melakukan semuanya.

Kuda kerja teks V4 Flash (murah, cepat, konteks besar), pelengkap visi Qwen-3.7-Flash (murah, cukup bagus) — kombinasi ini adalah opsi cost-performance terbaik yang tersedia saat ini. Tambal apa yang kurang daripada menunggu model "serba bisa tapi mahal" datang.

Terkait: DeepSeek V4 Flash — ulasan langsung rilis stabil