1 Deepseek বেশ শক্তিশালী, তবে একটি সীমাবদ্ধতা আছে
এইবার Deepseek সত্যিই দারুণ। দাম কম, আর V4-Flash-এর আনুষ্ঠানিক সংস্করণ প্রকাশের পর কর্মক্ষমতাও আরও উন্নত হয়েছে। এছাড়া OpenCode দলের প্রকাশিত তথ্য অনুযায়ী, এই প্ল্যাটফর্মে Deepseek V4-Flash-এর দৈনিক Token ব্যবহার 8 ট্রিলিয়নে পৌঁছেছে, যা দৈনিক ব্যবহারের ইতিহাসে নতুন রেকর্ড।
তবে এর একমাত্র সীমাবদ্ধতা হলো: এটি একটি বিশুদ্ধ টেক্সট মডেল, ছবি শনাক্ত করতে পারে না।
কিন্তু প্রোগ্রামিং ডেভেলপমেন্ট, Bug সংশোধন, UI শনাক্তকরণ ইত্যাদি ক্ষেত্রে ছবি শনাক্ত করার ক্ষমতা খুবই গুরুত্বপূর্ণ। এসব পরিস্থিতিতে শুধু লিখিত বর্ণনার মাধ্যমে কাজ করা বেশ অসুবিধাজনক। সরাসরি স্ক্রিনশট দিলে এবং সেটি বুঝতে পারলে কাজ অনেক সহজ ও দ্রুত হয়, দক্ষতাও উল্লেখযোগ্যভাবে বাড়ে।
2 ওপেন-সোর্স ছবি শনাক্তকরণ Skill: Claude Vision
এখানে একটি ওপেন-সোর্স ছবি শনাক্তকরণ Skill—claude-vision-skill পরিচয় করিয়ে দেওয়া হচ্ছে। এটি মূলত Claude-এর জন্য তৈরি হলেও তাতে সমস্যা নেই; যেকোনো Agent-এ এটি ইনস্টল করা যায়, Agent নিজেই উপযোগী করে নেবে।
https://github.com/asuojun/claude-vision-skill
— Skill রিপোজিটরি পৃষ্ঠা
এই Skill মূলত ছবি শনাক্ত করার ক্ষমতাহীন মডেলকে ছবি শনাক্ত করার ক্ষমতা দেয়।
মূলনীতি: ছবিটি ছবি শনাক্ত করতে পারে এমন একটি মডেলের কাছে পাঠানো হয়, এরপর সেটি লিখিত বর্ণনা হিসেবে ফলাফল ফেরত দেয়। Deepseek সেই লিখিত বর্ণনা নিয়ে কাজ করে। তাই একটি ছবি শনাক্তকরণ মডেল কনফিগার করতে হবে।
অন্তর্নির্মিত প্রস্তাবিত Qianwen মডেল (qwen3.5-omni-plus、qwen-vl-max): Alibaba Cloud Bailian, কারণ নতুন ব্যবহারকারীরা 100 万 Token বিনামূল্যে পান, প্রতি ব্যবহারে প্রায় 0.02 ইউয়ান।
— অন্তর্নির্মিত প্রস্তাবিত Qianwen মডেল
OpenAI-সামঞ্জস্যপূর্ণ ফরম্যাট সমর্থন করে এমন অন্যান্য ছবি শনাক্তকরণ মডেলও ব্যবহার করা যায়।
3 কীভাবে ইনস্টল ও কনফিগার করবেন
কীভাবে ইনস্টল করবেন? এটি খুব সহজ। সরাসরি রিপোজিটরির ঠিকানাটি Codex-কে দিলেই হবে, এটি নিজেই ইনস্টল ও কনফিগার করে দেবে।
— রিপোজিটরির ঠিকানা দিয়ে Codex-এর স্বয়ংক্রিয় ইনস্টলেশন
ডিফল্টভাবে Alibaba-এর Qianwen ছবি শনাক্তকরণ মডেল (qwen3.5-omni-plus) ব্যবহার করা হয়। নতুন ব্যবহারকারীদের জন্য 100 万 Token রয়েছে, যা প্রায় 7000 বার ছবি শনাক্তকরণে ব্যবহার করা যায়।
Alibaba Qianwen API Key পেতে Alibaba Qianwen ওয়ার্কবেঞ্চে প্রবেশ করুন, একটি API Key তৈরি করুন এবং সেটি কপি করে ইনপুট দিন।
https://platform.qianwenai.com/home/api-keys
— Alibaba Qianwen ওয়ার্কবেঞ্চে API Key তৈরি
4 ইনস্টলেশন সফল, বাস্তব পরীক্ষার ফলাফল
ইনস্টলেশন সফল হওয়ার পর সরাসরি ব্যবহার করা যাবে।
— ইনস্টলেশন সফল হলেই ব্যবহার করা যাবে
একবার পরীক্ষা করে দেখি, এখন এটিকে এই ছবির বিষয়বস্তু শনাক্ত করতে বলছি।
— পরীক্ষামূলকভাবে শনাক্ত করা ছবি
ফলাফল নিচে দেওয়া হলো। শনাক্ত করা বিষয়বস্তু সম্পূর্ণ সঠিক।
— শনাক্তকরণের ফলাফল সম্পূর্ণ মিলে গেছে
এবার Deepseek-এর “চোখ” তৈরি হলো। এখন এটি ছবিও শনাক্ত করতে পারে, ফলে দক্ষতা আরও এক ধাপ বেড়ে গেল।
সারসংক্ষেপ
ওপেন-সোর্স Skill-এর মাধ্যমে Deepseek-এর ছবি শনাক্তকরণের ক্ষমতার ঘাটতি পূরণ করা যায়। খরচ অত্যন্ত কম, আর ফলাফলও তাৎক্ষণিক। এখন থেকে প্রোগ্রামিং, ডিবাগিং ও UI শনাক্তকরণে সরাসরি ছবি ব্যবহার করা যাবে, ফলে বিশুদ্ধ টেক্সট মডেল সত্যিকার অর্থেই বিশ্বকে “দেখতে” পারবে।