DeepSeek introduce visión

Disponibilidad y soporte de API

• La visión ahora es visible en la interfaz de chat de DeepSeek para muchos usuarios, pero aún no hay un anuncio oficial ni una página de documentación.
• Varios comentaristas confirman que por ahora no está disponible a través de la API; varios dicen que la falta de visión en la API es el principal obstáculo para integrar DeepSeek en proyectos o gastar más en él.
• Algunos usuarios informan haber tenido la pestaña de “visión” durante meses, pero otros aclaran que la funcionalidad anterior solo era OCR canalizado a un modelo solo de texto, mientras que ahora el modelo acepta imágenes de forma nativa.

Capacidades y calidad

• Usuarios que hacen pruebas con fotos variadas informan que DeepSeek Vision es rápido y generalmente preciso para entender escenas, no solo para leer texto.
• Actualmente solo analiza imágenes; no se menciona edición/generación de imágenes.
• Varias personas quieren combinarlo con otras herramientas (p. ej., marcos de trabajo de Apple Vision, pruebas de Playwright, Claude Agents, configuraciones de VSCode).

Comportamiento del idioma y trazas de razonamiento

• Algunos usuarios ven más chino en el razonamiento interno de DeepSeek y a veces en las respuestas finales; otros nunca se encuentran con esto, especialmente a través de la API.
• Explicaciones propuestas en el hilo:
  • Los tokens en chino son más compactos, así que “pensar” en chino podría ser más barato.
  • Los prompts del sistema o los datos de entrenamiento pueden sesgar hacia el chino.
  • Los problemas de límite de contexto y la cuantización agresiva pueden filtrar texto no inglés.
• Hay una amplia discusión sobre cómo se representa la cadena de pensamiento: los modelos abiertos a menudo exponen trazas de razonamiento reales; los sistemas propietarios pueden mostrar resúmenes, y el razonamiento puede divergir de las respuestas finales.

Voz, habla y multimodalidad

• Varios comentaristas argumentan que lo multimodal (visión + audio) es el futuro, pero señalan que DeepSeek todavía carece de conversión de voz a texto o de texto a voz integradas en su app.
• Debate sobre voz frente a teclear:
  • A favor de la voz: más rápido para muchas personas, mejor fluidez, crucial para la accesibilidad y para tareas con las manos ocupadas (conducir, caminar, cocinar).
  • Escépticos: algunos no gustan de la comunicación mediada por IA y temen que se atrofien las habilidades de escritura.

Economía, competencia y política

• Se elogia a DeepSeek por precios extremadamente bajos en comparación con los modelos de frontera de EE. UU., lo que hace viables proyectos de código y análisis de imágenes a gran escala.
• Algunos especulan sobre subsidios o electricidad barata, pero no aportan pruebas concretas.
• La discusión toca la competencia global en IA, con puntos de vista contrapuestos sobre si los modelos extranjeros deberían restringirse o acogerse como una competencia saludable.
• Se señalan restricciones políticas: los modelos chinos pueden censurar temas como “Tank Man”, mientras que los modelos occidentales tienen sus propias barreras; se considera que todos los ecosistemas están moldeados por las normas y leyes locales.