DeepSeek 13 серпня представила публічну бета-версію DeepSeek Harness (DSH) — агентного фреймворку для перетворення мовної моделі на повноцінного AI-агента. Одночасно компанія відкрила код DeepSeek-V4-Pro-0813 та екосистему плагінів, намагаючись посилити конкуренцію з Anthropic Claude Cowork та OpenAI Codex.
Harness орієнтований передусім на програмування й офісні сценарії. Його завдання — не просто генерувати текст або код, а керувати контекстом, інструментами, станом завдання, файлами та середовищем виконання.
«Все є плагіном»: як працює DeepSeek Harness
Ключовий принцип архітектури DSH — «everything is a plugin». Фреймворк побудований поверх системи плагінів Cordis, яка відповідає за їхнє завантаження, вивантаження та керування залежностями.
Тобто окремими плагінами можуть бути практично всі складові агента:
- мовні моделі та інструменти;
- навички, сесії та сховище;
- пісочниці та цикли виконання;
- планувальник;
- користувацький інтерфейс.
Розробник може замінити або розширити окремий компонент без необхідності переписувати ядро Harness. Плагіни взаємодіють через сервіси та події Cordis, а їхня конфігурація визначає кінцеву поведінку агента.
DeepSeek фактично реалізує власну формулу «Модель + Harness = Агент»: LLM відповідає за інтелектуальну частину, тоді як Harness перетворює її на систему, здатну виконувати послідовність реальних дій.
Чотири режими роботи
DSH має командний інструмент dsh, який дозволяє запускати різні конфігурації середовища. Передбачені чотири основні режими:
- Standard — повний набір інструментів для звичайної роботи.
- PTC — програмний виклик інструментів, коли модель може об’єднувати декілька операцій у виконуваний фрагмент коду.
- Minimal — мінімальне середовище для тестування самої моделі з оболонкою та редагуванням файлів.
- Template Creation — режим для експериментів із плагінами Cordis і створення власних конфігурацій.
Для запуску вебінтерфейсу розробникам достатньо Node.js та команди npx @deepseek-ai/dsh. Водночас код Harness також доступний через GitHub-репозиторій проєкту.
DeepSeek-V4-Pro: 1,6 трильйона параметрів і мільйон токенів
Разом із Harness DeepSeek відкрила ваги V4-Pro-0813. Це MoE-модель із загальним обсягом 1,6 трильйона параметрів, але під час обробки одного токена активується близько 49 млрд параметрів.
| Параметр | DeepSeek-V4-Pro-0813 |
|---|---|
| Архітектура | MoE |
| Загальна кількість параметрів | 1,6 трлн |
| Активні параметри на токен | 49 млрд |
| Контекстне вікно | 1 млн токенів |
| Максимальний обсяг відповіді | 384 тис. токенів |
| Режими | Thinking / Non-Thinking |
| Виклик інструментів | Так |
| JSON-вивід | Так |
| Anthropic API | Так |
| Ліцензія ваг | 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.
Водночас ці результати варто сприймати саме як внутрішні тести розробника, а не незалежне підтвердження переваги над конкурентами.
Відкриті ваги змінюють модель конкуренції
Публікація ваг під MIT-ліцензією має значення не лише для розробників. Відкритий підхід дозволяє розгортати модель у власній інфраструктурі, не прив’язуючись виключно до API конкретного хмарного провайдера.
Для бізнесу та державних організацій це потенційно означає більший контроль над даними, можливість локального розгортання та меншу залежність від одного постачальника AI-інфраструктури. Однак практична доступність такої моделі визначатиметься не лише відкритістю ваг, а й вимогами до GPU, пам’яті, мережевої інфраструктури та вартості inference.
HiTech Expert Take
DeepSeek робить ставку вже не просто на велику мовну модель, а на повний стек для створення агентів. Саме це робить Harness стратегічно цікавішим за черговий реліз LLM.
Якщо плагінна архітектура виправдає себе на практиці, розробники отримають можливість збирати власні агентні середовища, замінюючи моделі, інструменти та компоненти виконання без переписування всієї системи. У поєднанні з відкритими вагами V4-Pro це створює потенційно сильну альтернативу закритим AI-агентам.
Найважливішою тут може стати не сама цифра 1,6 трлн параметрів, а перехід DeepSeek від моделі до відкритої агентної платформи.
Стежте за новинами штучного інтелекту та програмування у рубриці IT HiTech Expert.
