ডিপসিক ভিশন মডেল ইমেজ ইনপুট গাইড

DeepSeek-v4-flash-vision-exp মডেল টেক্সটের সাথে ছবি গ্রহণ করে, বিবরণ, OCR এবং চার্ট বিশ্লেষণ সক্ষম করে। সমর্থিত ফরম্যাট شامل JPEG, PNG, GIF এবং WebP, যা ফাইল কন্টেন্ট থেকে শনাক্ত করা হয়।

OpenAI-সামঞ্জস্যপূর্ণ চ্যাট কমপ্লিশন API (বেস URL: https://api.deepseek.com) এর মাধ্যমে ছবি প্রদানের তিনটি পদ্ধতি আছে। প্রথম, বেস৬৪-এনকোডেড ইনলাইন ছবি সরাসরি রিকোয়েস্টে এম্বেড করা হয়, যা 48 MiB রিকোয়েস্ট বডি লিমিটের দিকে গণনা হয়। দ্বিতীয়, বাহ্যিক HTTPS URL (সর্বোচ্চ 8192 ক্যারেক্টার) ৬০ সেকেন্ডে 32 MiB পর্যন্ত ছবি ডাউনলোড করে। তৃতীয়, ফাইলস API ছবি একবার আপলোড করে (প্রতি ফাইল 64 MiB পর্যন্ত) এবং `file_id` দিয়ে রেফারেন্স করে, যা পুনরাবৃত্তি ব্যবহার বা বড় পেলোডের জন্য আদর্শ।

একটি `detail` প্যারামিটার (`low`, `high`, `original`, `auto`) URL ইনপুটের জন্য প্রিপ্রসেসিং নিয়ন্ত্রণ করে। ছবিগুলো প্রায় ৮০০×৮০০ সমতুল্যে রিসাইজ করা হয়, প্রতি ছবিতে ৩৮৪ টোকেনে ক্যাপ করা হয়। সীমা شامل প্রতি রিকোয়েস্টে ৬০০ ছবি, 64 MiB মোট file_id ছাড়া (file_id সহ 200 MiB), এবং ৮১৯২ পিক্সেল সর্বোচ্চ ডাইমেনশন।

এই মডেল Anthropic-সামঞ্জস্যপূর্ণ `/messages` এন্ডপয়েন্ট এবং OpenAI Responses API-র সাথে কাজ করে, অনুরূপ কন্টেন্ট ব্লক আকার ব্যবহার করে। ছবি শুধু ইউজার মেসেজে অনুমোদিত; অন্যান্য মডেল এরর রিটার্ন করে।

মূল এন্টিটি: কোম্পানি: DeepSeek

উৎস: Hacker News · সারাংশ: HeadlinesBriefing