简体中文

繁體中文

English

Tiếng Việt

한국어

日本語

ภาษาไทย

Türkçe

DeepSeek가 비전 이해 모델을 출시하며, 큰 푸른 고래 등이 늦게 온 눈을 맞이하다

动察 Beating

이 글을 읽으려면 22 분

이제 앞으로의 길은 더 이상 눈을 감고 갈 수 없게 되었다.

원문 제목: 《DeepSeek, 비전 이해 모델 출시, 다란징에 늦게 도착한 눈》
원문 저자: 동차 Beating

2026년 8월 21일, DeepSeek가 새로운 비전 이해 모델 deepseek-v4-flash-vision-exp를 출시하며 멀티모달 API를 공식적으로 개방했다. 개발자들은 이제 처음으로 이미지를 DeepSeek의 공식 인터페이스에 직접 전송할 수 있게 되었다.

이 모델은 V4 Flash의 100만 토큰 컨텍스트와 38.4만 토큰 최대 출력을 유지하며, JSON Output, Tool Calls, Responses API를 지원하고 Anthropic API와도 호환된다.

가격도 V4 Flash와 완전히 동일하다. 백만 토큰 입력 기준, 캐시 미스 시 피크 시간대 3위안, 비수기 1.5위안, 캐시 히트 시 각각 0.1위안과 0.05위안이다. 출력은 피크 시간대 9위안, 비수기 4.5위안이다. 베이징 기준 매일 9시부터 12시, 14시부터 18시가 피크 시간대이며, 나머지 17시간은 반값이다.

이미지도 동일하게 토큰으로 정산된다. 모델에 들어가기 전에 각 이미지는 크기에 따라 자동으로 리스케일되며, 약 384×384 픽셀보다 작은 이미지는 확대되고 큰 이미지는 약 800×800 픽셀의 총 픽셀 수로 압축된다. 단일 이미지는 최대 384 토큰을 차지한다. 2000×2000 이미지와 5000×5000 이미지는 최종적으로 완전히 동일한 토큰을 소비할 수 있다.

384 토큰 상한을 기준으로, 한 장의 이미지는 피크 시간대, 캐시 미스 입력 비용이 약 0.001152위안이다. 이런 이미지 1,000장을 처리할 때 이미지 입력 자체 비용은 약 1.152위안에 불과하며, 텍스트와 모델 출력은 별도로 계산된다.

함께 출시된 Files API도 있다. 개발자는 이미지를 미리 업로드한 후 file_id를 요청에 넣을 수 있다. 동일한 이미지는 한 번만 전송하면 되며, 이후 다른 요청에서 반복적으로 참조할 수 있다.

이 API 자체는 무료다. 단일 파일 최대 64 MiB, 사용자당 최대 25 GiB, 10,000개 파일을 저장할 수 있다. 파일은 1시간에서 30일 후 만료되도록 설정할 수 있으며, 유효 기간을 설정하지 않으면 계속 보관된다. 현재 공식적으로 파일 내용을 다운로드할 수 있는 인터페이스는 제공되지 않는다. 개발자는 업로드, 조회, 삭제가 가능하고 모델은 읽을 수 있다. 이는 일반 클라우드 드라이브라기보다 추론을 위해 특별히 준비된 무료 이미지 저장소에 가깝다.

하지만 이상한 점은 사실 DeepSeek가 오늘에야 이미지를 볼 수 있게 된 것이 아니다.

두 개의 타임라인

연구만 놓고 보면 DeepSeek의 비전 기술은 늦지 않았다.

하지만 제품과 API만 보면 확실히 한참 늦었다.

2024년 3월 11일, DeepSeek-VL이 오픈소스로 공개되었다.

1.3B와 7B 두 가지 버전이 있으며, 자연 이미지, 웹페이지, 수식, 차트, 문서를 볼 수 있다. 10월에는 Janus가 등장하여 이미지 이해와 생성을 동일한 자기회귀 프레임워크에 통합했다. 11월 13일, JanusFlow가 후속으로 나왔다. 12월에는 DeepSeek-VL2가 출시되어 혼합 전문가 아키텍처로 전환했고, 총 파라미터 수는 3B, 16B, 27B 세 가지 등급으로 나뉜다.

2025년 1월 28일 새벽, 설날, Janus-Pro가 오픈소스로 공개되었다. 공식 저장소는 UTC 기준 1월 27일로 기록되어 있다.

7B 버전은 텍스트-이미지 생성 명령어 준수 평가인 GenEval에서 0.80을 기록하여 논문에 제시된 DALL-E 3의 0.67을 넘어섰다. 오픈소스 가중치를 보유하여 로컬 배포가 가능하고, 공개 데모도 있다.

DeepSeek는 이를 자체 호스팅 API에 연결하지 않았다.

바로 그 전 주, R1이 DeepSeek를 스포트라이트 아래로 끌어올렸다. Janus는 GitHub와 Hugging Face에 남아 있었다. 대부분의 일반 사용자에게는 곧 시야에서 사라졌다.

2025년 10월 20일, DeepSeek-OCR이 오픈소스로 공개되어 비전 토큰으로 긴 문서를 압축했다. 2026년 1월 27일, OCR 2가 출시되었다.

DeepSeek-VL부터 계산하면 2년 동안 최소 DeepSeek-VL, Janus, JanusFlow, VL2, Janus-Pro, OCR, OCR 2 총 7개의 공개 기록을 확인할 수 있다.

비전 연구는 계속 진행되었고, 계속 공개되었다.

다만 일반 개발자에게는 그 진입점이 없었을 뿐이다.

한편, 2024년 3월까지 주요 경쟁사들의 개발자 인터페이스는 이미 이미지를 받을 수 있었다. OpenAI는 2023년 11월 GPT-4 Turbo with Vision을 공개하여 이미지를 Chat Completions API에 직접 입력할 수 있게 했다. 한 달 후, Google은 Gemini Pro Vision API를 출시했고, 2024년 3월에는 Claude 3 전 제품군에 비전 기능이 추가되었다.

2025년 4월 25일, 리옌홍(李彦宏)이 바이두 Create 컨퍼런스에서 "DeepSeek도 만능은 아니다"라고 말했다. 이어서 나열한 몇 가지 문제 중에는 모달리티 단일성도 있었다.

그의 판단은 멀티모달이 기초 모델의 기본 사양이 되고, 순수 텍스트 모델의 시장은 점점 줄어들 것이라는 것이었다.

그 당시 DeepSeek는 이미 1년 동안 비전 연구를 진행하고 있었다.

새벽

2026년 4월 7일과 8일, 일부 사용자가 DeepSeek를 열었을 때 인터페이스에 갑자기 세 개의 진입점이 추가되었다.

"빠른", "전문가", "비전".

4월 29일, DeepSeek 멀티모달 팀 책임자 천샤오캉(陈小康)이 이미지 인식 기능이 일부 사용자에게 그레이스케일(단계적 배포)로 제공되기 시작했음을 확인했다. 이후 DeepSeek의 한 시니어 연구원은 "작은 고래가 이제 볼 수 있게 되었다"고 적었다. 사우스차이나모닝포스트는 이 문장을 그대로 제목에 넣었다.

DeepSeek의 눈이 처음으로 실제 제품 인터페이스에서 드러난 것이다.

다음 날, DeepSeek는 《Thinking with Visual Primitives》를 GitHub에 올렸다. 몇 시간 후, 저장소와 논문은 다시 내려졌다. 5월 1일이 되자 원래 주소는 404를 반환했다. DeepSeek는 설명하지 않았고, 온라인에는 논문 미러와 언론 보도만 남았다.

이 논문은 매우 구체적인 문제를 연구했다.

모델이 매우 복잡한 이미지를 본 후, 자신이 무엇을 말하고 있는지는 종종 알지만, 자신이 말하는 것이 정확히 어떤 사람인지, 어떤 선인지는 명확히 설명하지 못한다. 팀은 점 좌표와 경계 상자를 추론 과정에 직접 삽입하여 모델이 위치를 가리키면서 동시에 계속 추론을 이어가도록 했다.

756×756 이미지는 먼저 비전 인코더를 거쳐 2916개의 이미지 패치 토큰으로 변환되고, 3×3 공간 압축을 통해 324개의 토큰으로 합성된다. V4 Flash의 희소 어텐션은 캐시를 계속 압축하여 마지막에는 81개의 비전 KV 항목만 남긴다.

팀은 또한 이 방법을 위해 4000만 개 이상의 훈련 샘플을 생성했으며, 여기에는 미로 탐색과 경로 추적을 전문적으로 훈련하는 데이터도 포함된다.

이 논문이 많은 노력을 기울여 해결한 것은 사실상 "가리키기"였다.

모델은 먼저 '볼 수' 있어야 하고, 그다음 자신이 지금 어디를 보고 있는지 알아야 한다. 그래야만 다음 단계로 추론을 이어갈 수 있다.

이번에 DeepSeek는 Vision Exp가 이 Visual Primitives 방식을 완전히 그대로 따르는지에 대해 설명하지 않았다. 더 중요한 것은, 이 연구가 처음으로 DeepSeek의 '시각적 추론'에 대한 이해를 외부에 드러냈다는 점이다.

6월 18일, 웹과 앱의 이미지 인식 모드가 정식 출시되었다. 다음 날, 한 매체가 량원펑의 사진을 올려 테스트했고, DeepSeek는 두 번 연속 그를 장이밍으로 잘못 인식했다. 대화를 바꿔서 다시 테스트하자, 이번에는 장이밍을 캠브리콘 창업자 천톈스로 인식했다.

이미 영어 스크린샷을 읽을 수 있고, 웹페이지를 코드로 변환할 수도 있다.

하지만 얼굴 앞에서는 자기 상사조차 알아보지 못한다.

8월 19일, DeepSeek Harness에 날짜가 명확히 적힌 기술 문서가 남겨졌다. 공식 어댑터는 이미 이미지를 image_url로 직렬화할 수 있었고, 문서에는 기본 모델 디렉터리에 아직 deepseek-v4-flash-vision-exp가 표시되지 않으며, 해당 API 엔드포인트가 사용 가능해질 때까지 기다려야 한다고 명시되어 있었다.

8월 20일, 한 개발자가 실측을 통해 이 아직 공개되지 않은 모델 이름에 이미지를 전송하면 400 오류만 받게 된다는 사실을 발견했다.

8월 21일, 이 제한이 해제되었다. Harness가 deepseek-v4-flash-vision-exp를 기본 모델 디렉터리에 추가했고, 해당 병합 커밋에는 'publish the vision model'이라고 직접 적혀 있었다. 이후 DeepSeek 공식 API 문서와 공식 계정이 동시에 Vision Exp 출시를 발표했다.

두 갈래의 흐름이 마침내 만나게 되었다.

Agent

올해 5월 한 투자자 간담회 녹취록에서 량원펑은 자신이 이해하는 AGI의 로드맵을 여러 단계로 정리했다: 언어 모델, 사고 사슬, Agent, 지속 학습, 자기 반복, 그리고 구현 지능까지.

멀티모달은 그가 검색과 비슷한 수준의 구성 요소로 분류했다.

비디오 생성에 대해 이야기할 때, 녹취록에는 이런 문장이 있었다:

상업적으로는 좋은 사업이다. 하지만 이는 지능과는 별 관련이 없다.

그의 판단은, 비디오 생성과 세계 모델은 현재 단계에서 지능의 상한선과 큰 연관이 없으며, 지금 더 중요한 것은 AI 훈련과 훈련 이후의 지속 학습이라는 것이다.

멀티모달이 다른 점은, '컴포넌트' 위치에 놓여 있음에도 DeepSeek가 명확히 반드시 만들 것이라고 밝힌 컴포넌트라는 것입니다. 량원펑은 당시 V4 및 후속 버전이 네이티브 멀티모달을 지원할 것이라고도 언급했습니다.

비전은 DeepSeek의 로드맵에서 항상 자리를 차지해 왔지만, 우선순위가 그렇게 높지는 않았습니다.

로드맵이 3단계인 Agent에 도달하면서 상황이 달라지기 시작했습니다.

DeepSeek는 이번 비전 API가 'Agent를 위해 출시된 것'이라고 공개적으로 밝힌 적은 없습니다. 하지만 량원펑의 로드맵 판단과 오늘의 발표를 함께 놓고 보면, 두 갈래는 더 이상 완전히 분리해서 볼 수 없습니다.

Agent는 화면을 읽고, 차트를 보고, 도구가 던져준 스크린샷을 처리해야 합니다. Agent는 영원히 순수 텍스트 속에서만 살 수 없습니다. 이미 2년 동안 개발해 온 비전 역량도 마침내 논문, 저장소, 테스트 페이지에서 API까지 이르렀습니다.

DeepSeek가 오늘 Vision Exp에 보여준 세 가지 예시도 전통적인 '그림 보고 말하기'가 아닙니다. 한 Agent는 고급 고객을 위해 티베트 자가용 여행 PPT를 제작하고, 다른 하나는 DeepSeek Harness 공식 웹사이트를 재설계하며, 또 하나는 시각적 요구사항에 따라 동적 효과가 포함된 프론트엔드 데모를 만듭니다.

이 모두는 모델이 긴 흐름의 작업에서 반복적으로 시각 정보를 처리해야 합니다.

API 설계도 이 방향으로 맞춰지고 있습니다. Responses API는 input_image도 수용하며, 브라우저 Agent는 웹페이지 스크린샷을 받은 후 이를 다음 추론 라운드에 다시 투입할 수 있습니다. 코드 Agent는 렌더링 결과를 확인할 수 있고, 차트, 스캔 문서, 소프트웨어 인터페이스도 직접 컨텍스트가 될 수 있습니다.

Files API는 또 다른 문제를 해결합니다. 같은 이미지를 매 요청마다 반복 업로드할 필요가 없다는 점입니다. 파일 하나를 장기간 저장해 두고, Agent는 file_id만 반복 전달하면 됩니다. 단일 요청에는 최대 600장의 이미지를 넣을 수 있습니다. 외부 링크나 Base64를 사용할 때 단일 이미지 상한은 32 MiB이며, Files API를 통해 참조하면 64 MiB까지 가능합니다.

이것은 더 이상 채팅창에 '이미지 업로드' 버튼을 추가하는 것과 같지 않습니다.

오히려 Agent가 비전을 사용할 때 필요한 인프라를 보완하는 것에 가깝습니다.

DeepSeek가 공개한 네 가지 멀티모달 Agent 비교도 전통적인 의미의 '그림 보고 말하기'를 시험하는 경우는 드뭅니다.

ApexBench는 투자은행, 컨설팅, 법률 등 장기 작업 프로세스에 주목합니다. Agents' Last Exam은 55개 전문 분야의 실제 업무에서 비롯되었습니다. Chartography는 Kaplan-Meier 곡선, 캔들 차트, 등고선, Sankey 다이어그램 및 포터 다이어그램을 전문적으로 테스트합니다. ZeroBench는 100개의 수작업으로 설계된 난제를 통해 다단계 시각적 추론을 테스트합니다.

Vision Exp는 Claude Opus 4.8을 상대로 2승 2패를 기록했습니다.

Agents' Last Exam은 27.3 대 25.7, ZeroBench는 35.0 대 34.0입니다. ApexBench는 36.5 대 39.4, Chartography는 64.3 대 65.0입니다. 네 가지 항목 모두 격차가 3점을 넘지 않았습니다.

더 흥미로운 점은, 시각 기능을 추가한 후에도 기존 텍스트 에이전트 능력이 눈에 띄게 떨어지지 않았다는 것입니다.

7월 31일에 출시된 순수 텍스트 V4 Flash와 항목별로 비교하면, 공식 사이트에서 전후 성적을 함께 제공하는 다섯 가지 텍스트 에이전트 평가가 모두 상승했습니다.

Terminal Bench 2.1은 82.7에서 83.9로, NL2Repo는 54.2에서 57.7로, DeepSWE는 54.4에서 59.3으로, DSBench-Hard는 59.6에서 63.6으로, AutomationBench는 25.1에서 25.7로 상승했습니다. DeepSWE의 59.3은 차트에 표시된 Opus 4.8의 58.0도 초과했습니다.

다만, 이 숫자들은 DeepSeek 자체 테스트에서 나온 것입니다. 공식적으로 명시된 바에 따르면, 공개 Code Agent 텍스트 작업에서 DeepSeek 시리즈 모델은 DeepSeek Harness 미니멀 모드를 사용하며 추론 수준은 max로 설정됩니다. 이는 Vision Exp가 자체 V4 Flash 대비 얼마나 변화했는지 관찰하는 데 더 적합하며, 제3자 독립 순위로 직접 간주해서는 안 됩니다.

모델 이름 뒤의 exp도 아직 제거되지 않았습니다.

DeepSeek는 이를 명확히 실험 모델로 표시했으며, 버전은 계속 변경될 수 있습니다. 현재 인터페이스는 이미지 이해만 지원하며 출력은 여전히 텍스트입니다. 이미지 생성과 비디오는 개방되지 않았고, Files API는 JPEG, PNG, GIF 및 WebP만 허용하며 PDF는 직접 넣을 수 없습니다.

2024년, 개발자들이 DeepSeek에 이미지를 보내려 했지만 공식 API는 아직 이를 지원하지 못했다.

2026년 8월 21일, 그 이미지는 마침내 들어왔다.

DeepSeek의 눈은 확실히 늦게 떠졌다.

그것이 진정으로 눈을 떴을 때, 앞길은 이미 눈을 감고 갈 수 없는 상황이었다.