Dodawanie multimodalności DeepSeekowi: podejście wizyjne Qwen-3.7-Flash

Pierwotnie opublikowane na X — 89 tys. wyświetleń, 600+ polubień.

Wiele osób narzeka, że DeepSeek V4 Flash nie ma możliwości multimodalnych. To realna luka — ale nie ma powodu, żeby trzymać się jednego modela.

Problem

Zdolności tekstowe V4 Flash są na maksa, ale przy obrazach jest bezradny: zrzuty ekranu, obrazkowe tabele, mockupy UI, zeskanowane dokumenty — nic z tego nie działa.

Multimodalność to cena „taniości" — model potrzebuje enkoderów wizualnych, parametry puchną, a koszty rosną.

Rozwiązanie: łącz modele

Przebadałem najkorzystniejsze cenowo modele wizyjne na rynku i odpowiedzią jest Qwen-3.7-Flash.

Koszt rozpoznania jednego obrazu jest pomijalny. Użyj go jako dedykowanego modelu wizyjnego, rozumowanie tekstu zostaw na V4 Flash, a dostaniesz to, co najlepsze z obu.

Jak je połączyć

Najprostsza myśl to „routing": wejście zawiera obraz → model wizyjny; czysty tekst → V4 Flash.

// pseudokod: routing na żądanie
function route(input) {
  if (hasImage(input)) {
    return qwenVision(input)   // rozpoznaj obraz + wyciągnij kluczowe informacje
  }
  return deepseekV4Flash(input) // rozumowanie tekstu
}

Bardziej zaawansowany ruch to wrzucenie wyniku wizyjnego wprost do V4 Flash do dalszego rozumowania:

1. Niech Qwen-3.7-Flash rozpozna obraz i wyjdzie ze strukturalnym opisem
2. Podaj opis + oryginalne pytanie razem do DeepSeek V4 Flash
3. V4 Flash dogłębnie rozumuje na opisie — pisze kod, podsumowuje

Tak dostajesz wizję i taniość oraz szybkość V4 Flash.

Dobre przypadki użycia

• Pytania o zrzuty ekranu: wrzuć zrzuty błędów i zrzuty czatów
• Obrazkowe tabele / dokumenty w dane strukturalne
• Mockupy UI w kod
• Wyciąganie informacji z zeskanowanych faktur i umów
• Agenci, którzy muszą „widzieć" ekran

Dlaczego nie inne opcje

Czyste modele LLM do wizji (np. multimodalne modele z rodziny GPT) są mocne, ale cena jest jaka jest — nieekonomiczne do codziennej pracy wsadowej.

Qwen-3.7-Flash wygrywa stosunkiem ceny do możliwości: jakość rozpoznawania jest wystarczająca, koszt niemal niewidoczny, a duże partie można przerabiać bez mrużenia oka.

Podsumowanie

Kombinacja modeli to norma — nie oczekuj, że jeden model zrobi wszystko.

Koń roboczy tekstu V4 Flash (tanio, szybko, ogromny kontekst), wizyjne uzupełnienie Qwen-3.7-Flash (tanio, wystarczająco dobrze) — ta kombinacja to obecnie najlepszy stosunek ceny do możliwości. Łataj to, czego brakuje, zamiast czekać na model „wszystko, ale drogi".

Powiązane: DeepSeek V4 Flash — recenzja wersji stabilnej z praktyki