DeepSeek Pembaruan Besar Akhirnya "Membuka Mata"

Saya dulu mengira bahwa pembaruan AI yang gila ini sudah berakhir, tidak menyangka minggu lalu baru saja merilis DeepSeek V4, tiba-tiba muncul kejutan yang lebih besar.

Baru saja, DeepSeek meluncurkan mode pengenalan gambar, yang menunjukkan sedang dalam uji coba tertutup. Ini berarti kemampuan multimodal DeepSeek yang telah dibahas selama setahun akhirnya hadir!

Saat ini, versi web dan aplikasi DeepSeek yang telah diperbarui berpotensi dideteksi dalam mode pengenalan gambar, dan APPSO langsung melakukan pengujian nyata.

Peneliti yang bertanggung jawab untuk multimodal di DeepSeek, Chen Xiaokang, memposting di X: Now, we see you, dan menyertakan sebuah gambar, kita biarkan DeepSeek mengartikan makna gambar ini.

Hasilnya menunjukkan bahwa ia mampu mengenali metafora di balik gambar ini, meskipun tidak ada kata-kata tentang DeepSeek dalam gambar tersebut, tetapi berdasarkan pengenalan identitas pengunggah dan gambar, ia menyimpulkan ini tentang pembaruan kemampuan multimodal DeepSeek.

Akhirnya, diberikan sebuah rangkuman yang sangat tepat: Paus yang tidak bisa melihat dunia ini, akhirnya membuka mata.

Dibandingkan dengan hasil jawaban, APPSO menemukan proses berpikir mode pengenalan gambar DeepSeek lebih menarik.

Dulu, AI saat melihat tangkapan layar Twitter itu kemungkinan besar akan secara jujur mendeskripsikan: "Dua paus berwarna biru, kiri memakai penutup mata, kanan tidak."

Namun, DeepSeek langsung mulai bertanya: Siapa orang ini? Mengapa dia mengirim ini? Apa arti logo paus ini? Apa yang disimbolkan oleh XX di penutup mata?

Ini adalah hal yang sebenarnya terjadi di pikiran kita saat melihat meme gambar. Tidak ada yang akan menghitung berapa banyak paus di gambar terlebih dahulu, yang kita pedulikan adalah siapa yang berbicara kepada siapa, dan apa makna tersiratnya.

Selain itu, ia juga akan melakukan koreksi diri berulang kali.

Misalnya, ia bahkan pernah mengaitkan penutup mata di gambar dengan kacamata Kamina dari "Tengen Toppa Gurren Lagann", lalu membantah dirinya sendiri: "Tidak, ini terlalu geeky." "Tunggu, lihat lagi..." "Dari sudut pandang lain...".

Rangkaian penalaran, asosiasi, dan koreksi diri tadi cukup menarik. Tapi bagian paling tidak masuk akal dari proses berpikir ini sebenarnya adalah saat ia hampir selesai menalar, tiba-tiba berhenti dan mengadakan semacam sidang kecil untuk dirinya sendiri.

Ia mengajukan tiga pertanyaan dan menjawabnya sendiri, pertama mengonfirmasi fakta objektif, lalu menebak sifat kejadian, dan akhirnya melakukan interpretasi. DeepSeek mengubah kebiasaan berpikir yang bahkan tidak kita sadari ini menjadi logika berpikir dalam pengenalan gambar.

Seperti saat kita biasanya sampai pada kesimpulan, pikiran kita juga akan melewati: "Tunggu, apakah asumsi ini benar? Apakah hipotesis ini masuk akal? Bagaimana jika aku salah memahami arahnya?"

Kami juga menguji DeepSeek dengan soal klasik AI—menghitung jumlah jari.

Ia berpikir sejenak, tapi tetap salah menjawab, bahkan mengeluh: "Aku benar-benar pusing menghitungnya."

Namun, jika saya beri petunjuk lagi, ia tetap bisa menjawab dengan benar.

Dalam tes menghitung jari lainnya, setelah jawaban pertamanya salah, saya tidak memberi jawaban, hanya membiarkannya berpikir lagi, dan ia tetap bisa memberikan jawaban yang benar.

Kami juga mencoba tes "hati" yang klasik, gambar ini sebelumnya membuat semua AI kesulitan, dan DeepSeek juga tidak mampu mengenalinya.

Melepaskan tantangan-tantangan sulit ini, berdasarkan pengujian awal, tingkat akurasi pengenalan gambar DeepSeek cukup tinggi, bahkan tanpa mode berpikir, bisa memberi jawaban dalam setengah detik.

Misalnya, pengenalan foto dari film ini, kemungkinan sudah tersimpan di database.

Pemahaman terhadap gambar abstrak juga sangat akurat.

Pemahaman gambar produk Uniqlo ini juga tidak ada masalah.

Namun, proses pengenalan gambar ini seharusnya tidak melakukan pencarian online, melainkan hanya berdasarkan basis pengetahuan, jadi beberapa hal yang lebih baru, seperti maskot baru Apple Finder, tidak bisa dikenali.

Selain itu, format file yang didukung untuk diunggah dalam mode pengenalan gambar juga terbatas, misalnya tidak mendukung format HEIF.

Peluncuran mode pengenalan gambar DeepSeek menandai bahwa paus ini akhirnya membuka mata, tetapi mungkin ini baru awalnya.

Kemampuan multimodal DeepSeek yang lebih luas mungkin akan segera diperbarui satu per satu, dan setelah menutupi kekurangan ini, pola pasar model domestik mungkin akan mengalami perubahan yang halus lagi.

APPSO akan terus berbagi pengalaman lebih banyak tentang mode pengenalan gambar DeepSeek, dan juga mengundang semua orang untuk mencoba dan berbagi trik serta detail menarik setelah mencobanya.