Компанія DeepSeek 13 серпня представила публічну бета-версію фреймворку DeepSeek Harness (DSH) для перетворення мовної моделі на повноцінного AI-агента. Одночасно відкрито код моделі DeepSeek-V4-Pro-0813 і екосистему плагінів, що має посилити конкуренцію з Anthropic Claude Cowork та OpenAI Codex.
DeepSeek Harness орієнтований на програмування та офісні сценарії. Завдання системи — не лише генерувати текст або код, а й керувати контекстом, інструментами, станом завдання, файлами та середовищем виконання. Компанія формулює підхід як «Модель + Harness = Агент», де LLM відповідає за інтелектуальну частину, а Harness забезпечує виконання послідовності реальних дій.
Ключовий принцип архітектури DSH описують як «everything is a plugin». Фреймворк побудований поверх плагінної системи Cordis, яка займається завантаженням, вивантаженням та керуванням залежностями. Окремими плагінами можуть бути мовні моделі та інструменти, навички, сесії, сховище, пісочниці та цикли виконання, планувальник і користувацький інтерфейс. Розробник може замінювати чи розширювати компоненти без переписування ядра Harness, а взаємодія плагінів відбувається через сервіси та події Cordis.
Фреймворк має командний інструмент dsh для запуску різних конфігурацій середовища. Передбачені чотири основні режими роботи: Standard з повним набором інструментів; PTC для програмного виклику інструментів і об’єднання операцій у виконуваний код; Minimal для тестування самої моделі з оболонкою та редагуванням файлів; Template Creation для експериментів із плагінами Cordis і створення власних конфігурацій. Для запуску вебінтерфейсу розробникам достатньо Node.js і команди npx @deepseek-ai/dsh, а код Harness доступний у GitHub-репозиторії проєкту.
Паралельно DeepSeek відкрила ваги моделі V4-Pro-0813. Це MoE-модель із загальним обсягом 1,6 трильйона параметрів, при цьому під час обробки одного токена активується близько 49 млрд параметрів. Модель має контекстне вікно 1 млн токенів, максимальний обсяг відповіді 384 тис. токенів, підтримує режими Thinking і Non-Thinking, виклик інструментів, JSON-вивід, роботу через Anthropic API, а ваги ліцензовано за MIT.
За внутрішніми тестами DeepSeek, нова версія демонструє суттєвий приріст у задачах програмування. У Terminal Bench 2.1 модель отримала 87,9 бала проти 72,1 у попередньої версії, у DeepSWE показник зріс із 12,8 до 62,7, а DSBench-Hard досяг 67,2. Компанія наголошує, що це саме внутрішні тести розробника, а не незалежне підтвердження переваги над конкурентами.
Публікація ваг під MIT-ліцензією, за оцінками авторів матеріалу, змінює підхід до конкуренції на ринку. Відкритий формат дозволяє розгортати модель у власній інфраструктурі без прив’язки до API окремого хмарного провайдера. Для бізнесу та державних організацій це може означати більший контроль над даними, можливість локального розгортання та меншу залежність від одного постачальника AI-інфраструктури, хоча практичну доступність визначатимуть вимоги до GPU, пам’яті, мережевої інфраструктури та вартості inference.
У матеріалі зазначається, що DeepSeek робить ставку не лише на велику мовну модель, а на повний стек для створення агентів. Завдяки плагінній архітектурі розробники можуть збирати власні агентні середовища, змінюючи моделі, інструменти та компоненти виконання без переписування всієї системи. У поєднанні з відкритими вагами V4-Pro це розглядається як потенційно сильна альтернатива закритим AI-агентам, а важливим кроком називають перехід від окремої моделі до відкритої агентної платформи.
Джерело: Expert
