DeepSeek se ha convertido en una opción popular para los desarrolladores debido a su bajo costo y sólido rendimiento, pero sus modelos de solo texto carecen de capacidades de visión. Un nuevo skill de código abierto tiene como objetivo cerrar esta brecha al permitir la comprensión de imágenes mediante ingeniería de prompts inteligente e integración de herramientas externas. Este es un desarrollo significativo porque muchas aplicaciones del mundo real requieren procesar tanto texto como imágenes. El skill funciona convirtiendo el contenido de la imagen en un formato que los modelos basados en texto pueden interpretar, dando efectivamente 'ojos' a DeepSeek sin requerir un cambio de modelo. Con el consumo de tokens de DeepSeek alcanzando los 8 billones, la demanda de tales mejoras es clara. Para los desarrolladores que construyen aplicaciones de IA, este skill ofrece una forma rentable de agregar funcionalidad multimodal mientras permanecen en el ecosistema DeepSeek. También destaca la tendencia más amplia de innovación impulsada por la comunidad que llena vacíos en las ofertas comerciales de IA. A medida que DeepSeek continúa lanzando nuevas versiones como V4-Flash y V4-Pro, tales extensiones podrían volverse aún más valiosas.
Un nuevo skill de código abierto permite que los modelos de solo texto de DeepSeek procesen imágenes, abordando una limitación clave. Esto es particularmente relevante ya que el uso de tokens de DeepSeek ha aumentado a 8 billones. El skill ofrece una solución práctica para desarrolladores que necesitan capacidades multimodales sin cambiar de modelo.