1 Deepseek مؤثر ہے، لیکن اس میں ایک خامی ہے
اس بار Deepseek واقعی بہت مؤثر ہے۔ قیمت کم ہے، اور V4-Flash کے باضابطہ ورژن کے اجرا کے ساتھ کارکردگی میں مزید نمایاں بہتری آئی ہے۔ مزید یہ کہ OpenCode ٹیم کے مطابق، اس پلیٹ فارم پر Deepseek V4-Flash کا یومیہ Token استعمال 8 万亿 تک پہنچ گیا، جو یومیہ تاریخ کا نیا ریکارڈ ہے۔
لیکن اس میں ایک ہی خامی ہے: یہ خالص متنی ماڈل ہے اور تصاویر کو سمجھ نہیں سکتا۔
تاہم پروگرامنگ، بگ درست کرنے اور UI شناخت جیسے حالات میں تصویر سمجھنا بہت اہم ہے۔ آخرکار، ان منظرناموں میں صرف تحریری وضاحت کے ذریعے کام کرنا زیادہ آسان نہیں ہوتا۔ اگر اسکرین شاٹ براہِ راست دیا جائے اور ماڈل اسے سمجھ سکے، تو کام زیادہ سہل، تیز اور مؤثر ہو جاتا ہے۔
2 اوپن سورس تصویری شناخت Skill: Claude Vision
یہاں ایک اوپن سورس تصویری شناخت Skill—claude-vision-skill—پیش کی جا رہی ہے۔ یہ دیکھ کر پریشان نہ ہوں کہ اسے Claude کے لیے بنایا گیا ہے؛ کوئی مسئلہ نہیں، اسے کسی بھی Agent میں انسٹال کیا جا سکتا ہے، اور Agent خودکار طور پر مطابقت پیدا کر لے گا۔
https://github.com/asuojun/claude-vision-skill
— Skill کی ریپوزٹری کا صفحہ
یہ Skill بنیادی طور پر ایسے ماڈلز کو تصویری شناخت کی صلاحیت دیتی ہے جن میں یہ صلاحیت موجود نہیں ہوتی۔
اصول: تصویر کو تصویری شناخت کی صلاحیت رکھنے والے ماڈل کو بھیجا جاتا ہے، جو اسے تحریری وضاحت میں تبدیل کرکے واپس کرتا ہے۔ پھر Deepseek اس تحریری وضاحت کو حاصل کرکے کارروائی کرتا ہے، اس لیے ایک تصویری شناخت ماڈل ترتیب دینا ضروری ہے۔
بلٹ اِن تجویز: Qwen (qwen3.5-omni-plus، qwen-vl-max)؛ Alibaba Cloud Bailian، کیونکہ نئے صارفین کو 100 万 Token مفت ملتے ہیں، اور فی استعمال تقریباً 0.02 元 لاگت آتی ہے۔
— بلٹ اِن تجویز کردہ Qwen ماڈل
آپ OpenAI-compatible فارمیٹ کو سپورٹ کرنے والے دیگر تصویری شناخت ماڈلز بھی استعمال کر سکتے ہیں۔
3 انسٹالیشن اور ترتیب کا طریقہ
انسٹالیشن کیسے کریں؟ یہ بہت آسان ہے۔ صرف ریپوزٹری کا پتہ Codex کو دے دیں، اور وہ آپ کے لیے انسٹالیشن اور ترتیب مکمل کر دے گا۔
— خودکار انسٹالیشن کے لیے ریپوزٹری کا پتہ Codex کو دیں
پہلے سے Alibaba Qwen کے تصویری شناخت ماڈل (qwen3.5-omni-plus) کو استعمال کیا جاتا ہے۔ نئے صارفین کے لیے 100 万 Token دستیاب ہیں، جن سے تقریباً 7000 مرتبہ تصویری شناخت کی جا سکتی ہے۔
Alibaba Qwen API Key حاصل کرنے کے لیے Alibaba Qwen ورک بینچ کھولیں، API Key بنائیں، پھر اسے کاپی کرکے درج کریں۔
https://platform.qianwenai.com/home/api-keys
— Alibaba Qwen ورک بینچ میں API Key بنانا
4 انسٹالیشن کامیاب، عملی نتائج
انسٹالیشن کامیاب ہونے کے بعد آپ اسے براہِ راست استعمال کر سکتے ہیں۔
— انسٹالیشن کامیاب ہوتے ہی استعمال کریں
آئیے آزماتے ہیں۔ اب میں اسے اس تصویر کے اندر موجود مواد کی شناخت کرنے کو کہتا ہوں۔
— شناخت کے لیے آزمائشی تصویر
نتیجہ درج ذیل ہے؛ شناخت کیا گیا مواد مکمل طور پر درست ہے۔
— شناخت کا نتیجہ مکمل طور پر درست
اب Deepseek کو “آنکھیں” مل گئی ہیں، جس سے وہ تصاویر سمجھ سکتا ہے اور کارکردگی مزید ایک درجے بہتر ہو گئی ہے۔
خلاصہ
اوپن سورس Skill کے ذریعے Deepseek میں تصویری شناخت کی کمی پوری کی جا سکتی ہے، لاگت نہایت کم ہے اور نتائج فوری طور پر نمایاں ہوتے ہیں۔ اب پروگرامنگ، ڈیبگنگ اور UI شناخت میں براہِ راست تصاویر استعمال کی جا سکتی ہیں، جس سے خالص متنی ماڈل حقیقتاً دنیا کو “دیکھ” سکتا ہے۔