記事一覧へ戻る

DeepSeek Harness v0.1.0-rc.8、エージェント作業に画像入力を導入

読了目安 3 分

導入

公開ベータの開始からわずか1週間で、DeepSeek Harnessはv0.1.0-rc.8を公開した。今回の更新は14項目で、特に目を引くのがマルチモーダル入力への対応だ。Harnessはネイティブな画像リクエストと、テキスト・画像を組み合わせた入力を受け取れるようになった。

ただし、これは基盤となる純粋なテキストモデル自体が突然、視覚能力を獲得したという意味ではない。より正確には、Harnessの入力処理とタスク編成に画像を扱う経路が追加され、対応するモデルやバックエンドへ画像を渡せるようになったと見るべきだろう。

主な更新

  • 画像および混在入力:テキストだけでなく、画像単体または画像とテキストを含むリクエストに対応する。
  • ワークフローコマンドへの画像入力:/goalや/planへ画像を直接渡せる。画面キャプチャなどを目標や計画の材料にできる点が重要だ。
  • サブエージェント連携の拡張:Claude CodeとCodexがサブエージェント体系にさらに接続された。具体的な割り当て規則や上限は素材で示されていないため、完全なマルチエージェント基盤と断定するのは早い。
  • Windowsの永続PowerShell:セッションを維持できるため、端末環境を何度も作り直す手間を減らせる。
  • 簡易モードのデフォルト化:初期状態の操作を軽くする方向の変更だが、細かな差異は実際のリリースで確認する必要がある。

意味と影響

これまでマルチモーダル機能は、画像をアップロードして1回回答を得るチャット体験として提供されることが多かった。今回の変更は、画像をエージェントの作業フローに組み込む点に意味がある。スクリーンショットを目標の説明に使い、視覚情報を計画作成へ渡せるため、コード作成や画面分析、端末操作に近い使い方が可能になる。

一方で、Harnessが画像リクエストを受け付けても、すべてのバックエンドで同じ視覚理解が得られるとは限らない。対応形式や認識精度、最終的な出力は接続先のモデルやサービスに依存する。したがって、rc.8は新しい基盤モデルの発表というより、マルチモーダルなエージェント作業を支える基盤側の更新と捉えるのが適切だ。

ベータ期間中に入力、サブエージェント、Windows環境を並行して拡張している点も注目される。今後は、画像の文脈が計画から実行まで安定して維持されるか、サブエージェントの役割分担が明確になるか、バックエンド間で体験が揃うかが焦点になる。

出典:OSChina

コメント

ログイン状態を確認中…

コメントを読み込み中…

関連記事

CCTest · Blog
WeMM-Video、音声と映像を統合するオープンなマルチモーダルモデル群
マルチモーダル
cctest.ai
マルチモーダル

WeMM-Video、音声と映像を統合するオープンなマルチモーダルモデル群

TencentのWeMM-Videoは、2Bから35B-A3Bまでの規模をそろえ、音声・動画・画像・テキストを統合して扱うモデル群です。論文は音声と映像を組み合わせた評価で高い性能を報告していますが、提供された概要には具体的なスコアがありません。

続きを読む
CCTest · Blog
Piccolo、マルチモーダル意思決定モデルと学習データを共進化
マルチモーダル
cctest.ai
マルチモーダル

Piccolo、マルチモーダル意思決定モデルと学習データを共進化

Piccoloは、モデルの分析、データ作成、実験を研究エージェントでつなぐ反復的な改善手法を採用する。報告された知見は、モデル規模だけでなく、データ選定やモデルと学習レシピの適合が重要であることを示唆している。

続きを読む