9月1日消息,DeepSeek 8月31日在 Hugging Face 开源了 DeepSeek-V4-Flash-Vision-Exp,这是 V4 系列的首个多模态模型,采用 MIT 许可。该模型 8 月 21 日已先上线 DeepSeek API,此次开源补上了权重。它基于 V4-Flash 架构引入视觉模块,经持续训练获得视觉理解能力,官方定位仍是实验性版本。 V4 的第四个月,才补上视觉
DeepSeek-V4 于今年 4 月 24 日发布并开源,分 Pro 和 Flash 两档,主打智能体能力,但全系列一直是纯文本模型。7 月底的 V4-Flash-0731 迭代依然如此。在国产开源阵营里,视觉能力并不算新鲜事:智谱早在 2025 年 12 月就开源了 GLM-4.6V 系列。DeepSeek 这次的动作,性质是补位。
节奏上是先 API 后权重:8 月 21 日模型上线 DeepSeek API,支持 base64、外部 URL 和 Files API 三种传图方式,图片按最多 384 token 一张计费,价格与 V4-Flash 相同;8 月 31 日权重与配套代码在 Hugging Face 放出。
基准表怎么读:持平 0731,与 Opus-4.8 互有胜负
官方给出的基准分两类。纯文本智能体基准共七项,V4-Flash-Vision-Exp 有六项得分高于 V4-Flash-0731,仅 Cybergym 一项略低,视觉模块的加入没有损伤纯文本能力。
多模态智能体基准共四项,对照对象是 Anthropic 的 Opus-4.8:ApexBench 上 36.5 对 39.4 落后,Agents' Last Exam 上 27.3 对 25.7 领先,Chartography 64.3 对 65.0、ZeroBench 35.0 对 34.0 基本打平。媒体转述的"接近 Opus-4.8",拆开看是互有胜负,不是全面追平。
读这张表还有两个口径要留意。其一,V4-Flash-0731 在其中两项多模态基准上会直接忽略图片输入,等于让了一个身位,"大幅提升"的对比基线偏弱。其二,所有评测都在 DeepSeek 自家的 Harness 框架 minimal 模式下跑,属于官方自测口径。
开源了什么
这次放出的不只是权重。仓库包含模型文件、分词器、提示编码参考实现,以及一份最小化 PyTorch 推理实现,覆盖视觉编码器、Aligner、DFlash Attention、MoE、Hyper-Connections 和 DSpark 前向路径。部署上支持 SGLang,可通过 DSPARK 投机解码加速,目标与草稿权重来自同一份检查点。MIT 许可意味着商用不受限。
对 DeepSeek 来说,这个模型的看点不在视觉本身,而在它服务的方向。四项主打基准全是智能体类任务,看图是为了让 Agent 能操作截图、读图表、跑完真实工作流。先 API 同价、再权重开源的组合,也让自托管和直接调用两条路同时成立。它目前仍是官方标注的实验版本,真实水平要等第三方实测。