DeepSeek готовит конкурента Claude Cowork и OpenAI Codex
DeepSeek 13 августа представила публичную бета-версию DeepSeek Harness (DSH) - агентного фреймворка для превращения речевой модели в полноценного AI-агента. Одновременно компания открыла код DeepSeek-V4-Pro-0813 и экосистему плагинов, пытаясь усилить конкуренцию с Anthropic Claude Cowork и OpenAI Codex.
Harness ориентирован в первую очередь на программирование и офисные сценарии. Его задача – не просто генерировать текст или код, а управлять контекстом, инструментами, состоянием задания, файлами и средой выполнения.
Ключевой принцип архитектуры DSH – «everything is a plugin». Фреймворк построен поверх системы плагинов Cordis, отвечающей за их загрузку, выгрузку и управление зависимостями.
То есть отдельными плагинами могут быть практически все составляющие агента:
Разработчик может заменить или расширить отдельный компонент без необходимости переписывать ядро Harness. Плагины взаимодействуют через услуги и события Cordis, а их конфигурация определяет конечное поведение агента.
DeepSeek практически реализует свою формулу «Модель + Harness = Агент»: LLM отвечает за интеллектуальную часть, тогда как Harness преобразует ее в систему, способную делать последовательность настоящих действий.
DSH имеет командный инструмент dsh, позволяющий запускать различные конфигурации среды. Предусмотрены четыре основных режима:
Для запуска веб-интерфейса разработчикам достаточно Node.js и команды npx @deepseek-ai/dsh. В то же время код Harness также доступен через GitHub-репозиторий проекта.
DeepSeek Harness на GitHub
Вместе с Harness DeepSeek открыла вес V4-Pro-0813. Это MoE-модель с общим объемом 1,6 триллиона параметров, но при обработке одного токена активируется около 49 млрд параметров.
Согласно внутренним тестам DeepSeek, новая версия демонстрирует существенный прирост в задачах программирования. В Terminal Bench 2.1 модель получила 87,9 балла против 72,1 в предыдущей версии. У DeepSWE показатель вырос с 12,8 до 62,7, а DSBench-Hard достиг 67,2.
В то же время, эти результаты следует воспринимать именно как внутренние тесты разработчика, а не независимое подтверждение преимущества над конкурентами.
Публикация весов под MIT-лицензией имеет значение не только для разработчиков. Открытый подход позволяет разворачивать модель в собственной инфраструктуре, не привязываясь исключительно к API конкретному облачному провайдеру.
Для бизнеса и государственных организаций это потенциально означает больше контроль над данными, возможность локального развертывания и меньшую зависимость от одного поставщика AI-инфраструктуры. Однако практическая доступность такой модели будет определяться не только открытостью весов, но и требованиями к GPU, памяти, сетевой инфраструктуре и стоимости inference.
DeepSeek делает ставку уже не просто на большую языковую модель, а на полный стек для создания агентов. Именно это делает Harness стратегически интереснее очередного релиза LLM.
Если плагинная архитектура оправдает себя на практике, разработчики получат возможность собирать собственные агентные среды, заменяя модели, инструменты и компоненты без переписывания всей системы. В сочетании с открытыми весами V4-Pro создает потенциально сильную альтернативу закрытым AI-агентам.
Важнейшей здесь может оказаться не сама цифра 1,6 трлн параметров, а переход DeepSeek от модели к открытой агентной платформе.
Следите за новостями искусственного интеллекта и программирования в рубрике IT HiTech Expert.
- Последние
- Популярные
- Август, 17
-
-
- Август, 16
-
-
-
- Август, 15
-
-
-
-
- Август, 14
-
-
-
-
-
-
- Август, 13
-
-
-
-
Новости по дням
18 августа 2026
