DeepSeek Harness v0.1.0-rc.8: 14 ændringer gør billeder til førsteklasses agent-input

DeepSeek Harness v0.1.0-rc.8 er først og fremmest en opgradering af orkestrering og input – ikke et bevis på, at alle DeepSeek-modeller nu kan se. Versionen blev udgivet 19. august 2026, seks dage efter den offentlige beta og open source-lanceringen. Noget omtale daterede dog annonceringen eller diskussionen til 20.-21. august. 916 De 14 ændringer gør billeder anvendelige på tværs af agentens arbejdsflow og forbedrer samtidig underagenter, terminaladfærd, værktøjskald, lagring og kompatibilitet. 4

Den store nyhed: Billeder kommer ind i agentens loop

RC.8 tilføjer en konfigurerbar sti til native billedkald i DeepSeek-modeladapteren. Hvis den valgte model eller backend understøtter billedinput, kan Harness sende billedet direkte med opgaven i stedet for at behandle vedhæftningen som noget adskilt fra prompten. 28

Billedunderstøttelsen gælder også de centrale planlægningskommandoer:

• /goal accepterer en blanding af tekst og billeder.
• /plan accepterer en blanding af tekst og billeder.
• @-menuen kan henvise til lokale filer og tidligere sessioner, mens arbejdet fortsætter. 21215

I praksis betyder det, at et skærmbillede, en designskitse, et diagram eller en fejltilstand kan blive en del af selve målet og planen. Brugeren behøver altså ikke altid beskrive visuelt indhold med ord først.

Den vigtige fodnote er, at RC.8 leverer transporten og orkestreringen – ikke automatisk visuel forståelse til en tekstmodel. Den native billedfortolkning afhænger af den model eller backend, der er konfigureret. 89

Hvad de 14 ændringer dækker

Claude Code og Codex kan installeres som underagenter

Claude Code og Codex kan installeres som on-demand-profilpakker i underagentsystemet. Codex får desuden en ikke-interaktiv tilladelsestilstand og understøttelse af flere navngivne instanser. Det gør det muligt at køre flere separat konfigurerede Codex-underagenter i samme workflow. 24

Windows-terminaler bevarer shell-tilstanden

Windows' PTY-terminaler får vedvarende PowerShell-sessioner. Funktionen er som standard slået til i minimal preset, så efterfølgende kommandoer ikke behøver at oprette shell-tilstanden på ny hver gang. 2

Værktøjskald bliver mere effektive

Udgivelsen forbedrer blandt andet værktøjskald med samtidige web_search-kald, genaktivering af den overordnede opgave, når en underagent afleverer en rapport, og automatisk åbning af en lokal browser ved dsh web. Ydelsen forbedres også ved forgrening af store sessioner og ved brug af SQLite-lagring. 24

Fejl med billeder, streaming og gateways bliver håndteret

RC.8 retter fejl i forespørgsler, der kunne opstå på grund af ét for stort billede eller for mange billeder, som havde samlet sig i samtalehistorikken. Den bevarer også svarpræfikser, når et streamet svar annulleres, og samtalen derefter fortsættes eller forgrenes. Kompatibiliteten med brugerdefinerede OpenAI-kompatible gateways forbedres desuden, blandt andet ved forskelle i forespørgselsformater og manglende returnering af inference-indhold. 24

Samlet set er RC.8 derfor mere end en simpel uploadfunktion. Billeder kan indgå i planlægning, sessionshistorik og delegerede opgaver, samtidig med at runtime-miljøet bliver mere robust i lange eller værktøjsintensive sessioner. 213

Sådan fungerer »tool-layer vision« for tekstmodeller

Hvis den valgte model ikke erklærer understøttelse af billedinput, kan Harness i stedet bruge værktøjer til at omdanne billedet til strukturerede tekstlige beviser. Den beskrevne pipeline omfatter OCR-tekst med koordinater, statistik over farveforhold, scanning af udvalgte pixelrækker, billedets dimensioner og metadata om farvetilstanden. Derefter får tekstmodellen disse oplysninger og ræsonnerer ud fra dem. 12

Modellen modtager altså ikke selve billedets fulde visuelle felt på samme måde som en native vision-model. Den arbejder med målinger og udtrukne beskrivelser – en nyttig, men potentielt informationsfattig genvej.

Her fungerer fallback-løsningen bedst

Værktøjsbaseret syn egner sig især til billeder med en tydelig, aflæselig struktur, for eksempel:

• Skærmbilleder fra apps og brugergrænseflader
• Slides og præsentationsbilleder
• Flowcharts, diagrammer og enkel grafik
• Teksttunge billeder med klart layout og god kontrast 2

Den type opgaver afhænger ofte af tekst, justeringer, afgrænsninger, farver eller andre signaler, som OCR og målrettet pixelscanning kan opfange.

Her er native vision stadig nødvendig

Metoden er væsentligt svagere til naturlige fotos, finkornet objektgenkendelse, visuel stil, subtile sammenhænge og komplekse rumlige eller scenemæssige relationer. OCR og udvalgt pixelstatistik kan ikke pålideligt genskabe alle de detaljer, som kræves til den slags opgaver. 12

Den praktiske tommelfingerregel er derfor enkel: Brug en native vision-model til egentlig billedforståelse, og brug tool-layer vision til målrettet dataudtræk eller som fallback, når hovedmodellen kun kan håndtere tekst. Løsningen kan blandt andet udtrække tekst, undersøge dominerende farver, finde simple kanter eller kontrollere pixelbaserede forskelle i en brugergrænseflade. Men resultatet bør ikke sidestilles med native visuel ræsonnering. 23

Community-plugins udvider billedworkflows

Community-værktøjer havde allerede undersøgt flere måder at give tekstbaserede Harness-agenter adgang til visuelle oplysninger. Blandt de rapporterede muligheder er dsh-vision, dsh-vision-toolkit og modlens, mens plugin-kataloger også indeholder lokale OCR- og pseudo-vision-broer. 1023

To eksempler viser spændet:

• ModLens leverer strukturerede oplysninger om OCR, layout, entiteter og relationer til tekstmodeller. 18
• dsh-vision-toolkit er målrettet OCR af lange skærmbilleder, visuel grounding, genskabelse af brugergrænseflader og pixelsammenligning. 1821

Pluginsene supplerer – snarere end erstatter – RC.8's native billedsti. En kompatibel vision-model kan modtage billedet direkte, mens et plugin kan levere specialiserede funktioner til OCR, layout, pixels eller eksterne modeller. En tekstmodel kan derefter ræsonnere over de udtrukne oplysninger. Den opdeling giver udviklere mulighed for at vælge mellem rigere native perception og mere målrettede, efterprøvelige værktøjsresultater.