DeepSeek Harness RC.8 přidává obrazové workflow. Textové modely ale vidění nezískaly

DeepSeek Harness v0.1.0-rc.8 není důkazem, že všechny modely DeepSeek nově „vidí“. Jde především o rozšíření orchestrace a vstupů: obrázky se mohou stát plnohodnotnou součástí agentního workflow, pokud je dokáže zpracovat nakonfigurovaný model nebo backend. Verze byla vydána 19. srpna 2026 v 15:37:57 UTC, tedy šest dní po veřejné betě a otevření projektu; část médií o ní informovala až 20. nebo 21. srpna. 916

Obrázky se dostávají přímo do smyčky agenta

RC.8 přidává do adaptéru modelů DeepSeek konfigurovatelnou cestu pro nativní obrazové požadavky. Pokud zvolený model či backend podporuje obrazový vstup, Harness mu může obrázek předat přímo, místo aby zůstal jen oddělenou přílohou. 28

Obrazový vstup podporují také klíčové plánovací příkazy:

• /goal přijímá kombinaci textu a obrázku,
• /plan přijímá kombinaci textu a obrázku,
• nabídka @ umí odkazovat na lokální soubory a dřívější relace. 21215

Pro vývojáře to znamená, že screenshot rozhraní, návrh obrazovky, diagram nebo chybový stav může být přímo součástí zadání a plánu. Uživatel tak nemusí každý vizuální detail zdlouhavě popisovat slovy.

Důležitá výhrada ale zůstává: RC.8 přidává přenosovou a koordinační vrstvu pro obrázky, nikoli automatické vizuální schopnosti do textového modelu. Nativní interpretace závisí na konkrétním nakonfigurovaném modelu nebo kompatibilním backendu. 89

Co zahrnuje všech 14 změn

Claude Code a Codex jako instalovatelní subagenti

Claude Code a Codex lze v systému subagentů instalovat jako balíčky profilů podle potřeby. Codex navíc získává neinteraktivní režim oprávnění a podporu více pojmenovaných instancí. V jednom workflow tak mohou běžet samostatně nakonfigurovaní Codex subagenti. 24

Windows si zachovává stav shellu

Terminály PTY ve Windows nově podporují trvalé relace PowerShellu. Funkce je ve výchozím nastavení zapnutá v minimalistickém presetu, takže každý další příkaz nemusí znovu vytvářet stav shellu. 2

Schopnější volání nástrojů

Aktualizace zlepšuje práci s nástroji, mimo jiné souběžné volání web_search, probuzení nadřazené úlohy po doručení zprávy subagenta a automatické otevření lokálního prohlížeče při použití dsh web. Zrychluje také práci s forky velkých relací a úložištěm SQLite. 24

Opravy obrázků, streamování a gatewayí

RC.8 řeší selhání požadavků způsobená příliš velkým jednotlivým obrázkem nebo příliš mnoha obrázky nahromaděnými v historii konverzace. Zachovává také prefixy odpovědí, když je streamovaná odpověď zrušena a konverzace se následně pokračuje nebo rozvětví. Lepší je i kompatibilita s vlastními gatewayi podporujícími rozhraní OpenAI, která se mohou lišit formátem požadavků nebo nevracet inferenční obsah. 24

Nejde tedy jen o funkci „nahraj obrázek“. Obrázky mohou vstupovat do plánování, historie relace i delegované práce subagentů, zatímco běh systému je odolnější při dlouhých workflow s mnoha nástroji. 213

Jak funguje „vidění na úrovni nástrojů“

Pokud vybraný model nepodporuje obrazový vstup, může Harness obrázek rozložit na strukturované textové důkazy. Reportovaný postup zahrnuje OCR textu včetně souřadnic, statistiku poměru barev, skenování vybraných řádků pixelů, rozměry obrázku a metadata o barevném režimu. Tyto údaje pak dostane textový model, který nad nimi provádí další úvahy. 12

Model však nepracuje s původním obrazovým polem stejně jako nativní vision model. Usuzuje z naměřených hodnot a extrahovaných popisů. Je to užitečná záloha, ale zároveň z principu ztrátové zjednodušení obrazu.

Kde si tato metoda vede nejlépe

Nejvhodnější je pro obrázky s dobře obnovitelnou strukturou, například:

• screenshoty aplikací a uživatelských rozhraní,
• snímky slidů a prezentací,
• vývojové diagramy, schémata a jednoduchou grafiku,
• textově bohaté obrázky s jasným rozvržením a výrazným kontrastem. 2

U těchto úloh často rozhoduje čitelný text, zarovnání, hranice, barvy nebo jiné signály, které dokáže zachytit OCR a cílená kontrola pixelů.

Kdy je stále potřeba nativní vision model

Tento přístup je výrazně slabší u běžných fotografií, rozpoznávání jemných rozdílů mezi objekty, vizuálního stylu, subtilního kontextu a složitých prostorových či scénických vztahů. OCR a vzorkované statistiky pixelů nedokážou spolehlivě rekonstruovat každý detail potřebný pro takové úlohy. 12

Praktické pravidlo je proto jednoduché: pro skutečné porozumění obrazu použijte nativní vision model. Vrstva nástrojů se hodí jako záloha pro textový model nebo pro přesně vymezené úkoly, jako je vytažení textu, kontrola dominantních barev, nalezení jednoduchých hranic či ověření rozdílů na úrovni pixelů. Její výstup by se neměl zaměňovat za plnohodnotné vizuální uvažování. 23

Komunitní pluginy rozšiřují obrazové workflow

Komunita už před vydáním RC.8 zkoušela několik způsobů, jak textovým agentům Harnessu zpřístupnit vizuální důkazy. Mezi uváděné možnosti patří dsh-vision, dsh-vision-toolkit a modlens; katalogy pluginů zmiňují také lokální OCR a další pseudo-vision mosty. 1023

Dva příklady ukazují rozdílné přístupy:

• ModLens vrací strukturované údaje o OCR, rozvržení, entitách a vztazích pro textové modely. 18
• dsh-vision-toolkit cílí na OCR dlouhých screenshotů, vizuální ukotvení, rekonstrukci uživatelských rozhraní a porovnávání pixelů. 1821

Tyto pluginy nenahrazují nativní obrazovou cestu v RC.8, ale doplňují ji. Kompatibilní vision model může obdržet obrázek přímo, plugin může dodat specializované OCR, analýzu rozvržení nebo pixelové nástroje a textový model může uvažovat nad výslednými důkazy. Vývojář si tak může vybrat mezi bohatším nativním vnímáním a cílenějším, lépe kontrolovatelným výstupem nástrojů.