DeepSeek Harness v0.1.0-rc.8: Bilder tar plats i agentens arbetsflöde

DeepSeek Harness v0.1.0-rc.8 är framför allt en uppgradering av orkestrering och inmatning – inte ett bevis på att alla DeepSeek-modeller plötsligt kan se. Versionen publicerades den 19 augusti 2026, sex dagar efter den offentliga betan och lanseringen som öppen källkod. En del rapportering daterade nyheten eller diskussionen till den 20–21 augusti. 916

De 14 ändringarna gör bilder användbara i agentens arbetsflöden och förbättrar samtidigt subagenter, terminalbeteende, verktygsanrop, lagring och kompatibilitet. 4

Den stora nyheten: bilder går in i agentloopen

RC.8 lägger till en konfigurerbar väg för inbyggda bildförfrågningar i DeepSeek-adaptern. Om den valda modellen eller backend-tjänsten stöder bildinmatning kan Harness skicka bilden direkt till modellen, i stället för att behandla bilagan som något separat från uppgiften. 28

Bildstödet når flera centrala planeringskommandon:

• /goal kan ta emot text och bilder i samma inmatning.
• /plan kan ta emot text och bilder i samma inmatning.
• @-menyn kan hänvisa till lokala filer och tidigare sessioner medan arbetet fortsätter. 21215

För utvecklare innebär det att en skärmdump, en skiss av ett gränssnitt, ett diagram eller ett felmeddelande kan bli en del av målet och planen. Användaren behöver alltså inte alltid först beskriva bilden i text.

Den viktiga brasklappen är att RC.8 bygger transport- och orkestreringsvägen för bilder. Den ger inte automatiskt en textbaserad modell egen visuell förståelse. Tolkningen beror på vilken modell eller kompatibel backend som har konfigurerats. 89

Vad de 14 ändringarna innehåller

Claude Code och Codex blir installerbara subagenter

Claude Code och Codex kan installeras som profilpaket vid behov i subagentsystemet. Codex får dessutom ett icke-interaktivt behörighetsläge och stöd för flera namngivna instanser. Det gör det möjligt att köra separat konfigurerade Codex-subagenter i samma arbetsflöde. 24

Windows-terminalen behåller sitt skalltillstånd

Windows PTY-terminaler får beständiga PowerShell-sessioner. Funktionen är aktiverad som standard i minimalprofilen, vilket innebär att efterföljande kommandon inte behöver skapa om hela skaltillståndet varje gång. 2

Verktygsanropen blir mer användbara

Uppdateringen förbättrar bland annat verktygsanrop med samtidiga web_search-körningar, väcker den överordnade uppgiften när en subagent har levererat en rapport och öppnar automatiskt en lokal webbläsare för dsh web. Prestandan förbättras också vid förgrening av stora sessioner och i SQLite-lagringen. 24

Problem med bilder, strömning och gateways åtgärdas

RC.8 åtgärdar förfrågningsfel som kan uppstå när en enskild bild är för stor eller när för många bilder har samlats i konversationshistoriken. Svarsprefix bevaras också om en strömmande respons avbryts och samtalet sedan fortsätter eller förgrenas.

Kompatibiliteten med anpassade OpenAI-kompatibla gateways förbättras dessutom, bland annat vid skillnader i förfrågningsformat och när inferensinnehåll saknas i svaret. 24

Sammantaget är detta alltså större än en enkel funktion för bilduppladdning. Bilder kan delta i planering, sessionshistorik och delegerat arbete, samtidigt som körmiljön blir tåligare i långa eller verktygstunga sessioner. 213

Så fungerar ”verktygslager-vision” för textmodeller

När den valda modellen inte deklarerar stöd för bildinmatning kan Harness använda verktyg för att omvandla bilden till strukturerade textbaserade ledtrådar. Den rapporterade processen kan innehålla OCR-text med koordinater, statistik över färgfördelning, skanning av utvalda pixelrader, bildens mått och information om färgläge. Därefter får textmodellen resonera utifrån dessa uppgifter. 12

Modellen tar alltså inte emot själva bildens visuella helhet på samma sätt som en inbyggd visionsmodell. Den arbetar i stället med mätningar och extraherade beskrivningar. Det är en användbar reservlösning, men också en förenklad och ibland informationsförlustbringande sådan.

Där reservlösningen fungerar bäst

Verktygslager-vision passar bäst för bilder där strukturen går att återskapa med text och mätbara signaler, till exempel:

• Skärmdumpar av appar och användargränssnitt
• Bilder av presentationsbilder
• Flödesscheman, diagram och enklare grafiker
• Texttunga bilder med tydlig layout och god kontrast 2

I sådana fall kan OCR och riktad pixelanalys ofta fånga text, linjering, gränser, färger och andra relevanta signaler.

Där en visionsmodell fortfarande behövs

Metoden är betydligt svagare för vanliga fotografier, finmaskig objektigenkänning, visuell stil, subtila sammanhang och komplexa rumsliga relationer mellan objekt och miljö. OCR och ett begränsat urval av pixelstatistik kan inte på ett tillförlitligt sätt återskapa alla detaljer som krävs för den typen av uppgifter. 12

Den praktiska tumregeln är därför enkel: använd en modell med inbyggd vision för genuin bildförståelse. Använd verktygslager-vision för riktad informationsutvinning eller som reserv när huvudmodellen bara kan hantera text.

Det kan räcka för att läsa ut text, kontrollera dominerande färger, hitta enkla gränser eller verifiera pixelskillnader i ett gränssnitt. Resultatet bör däremot inte likställas med modellens egen visuella slutledning. 23

Communityt bygger vidare med bildplugins

Redan före RC.8 hade communityn testat flera sätt att ge textbaserade Harness-agenter tillgång till visuella ledtrådar. Bland de rapporterade alternativen finns dsh-vision, dsh-vision-toolkit och modlens. Plugin-kataloger listar även lokala OCR-lösningar och olika pseudo-vision-bryggor. 1023

Två exempel visar bredden i uppläggen:

• ModLens returnerar strukturerade uppgifter om OCR, layout, entiteter och relationer för textmodeller. 18
• dsh-vision-toolkit är inriktat på bland annat OCR av långa skärmdumpar, visuell förankring, återskapande av användargränssnitt och pixeljämförelser. 1821

Pluginsen kompletterar snarare än ersätter RC.8:s inbyggda bildväg. En kompatibel visionsmodell kan få bilden direkt, en plugin kan leverera specialiserade OCR-, layout- eller pixelverktyg, och en textmodell kan sedan resonera över bevismaterialet.

Den uppdelningen ger utvecklare ett val mellan rikare, inbyggd perception och mer avgränsade verktygsresultat som är lättare att inspektera.