DeepSeek开源多模态模型V4-Flash-Vision

IT时代网8月31日消息，DeepSeek V4系列首个多模态模型DeepSeek-V4-Flash-Vision-Exp已在Hugging Face上线，采用MIT License开源，公开内容包含模型文件、Tokenizer、Prompt Encoding参考实现，以及覆盖视觉编码器、Aligner、DFlash Attention、MoE等核心模块的最小化PyTorch推理实现。

这是DeepSeek V4系列首款原生支持图片输入的视觉模型，官方标注为"Exp"实验版本，于2026年8月21日上线DeepSeek API平台。模型除文本外可接收图片输入，能够描述画面、识别截图中的文字、分析图表，支持JPEG、PNG、GIF、WebP等格式。

深度求索方面表示，该模型在各类Agent框架内展现出较好的多模态适配能力。在Agent、推理、世界知识等纯文本任务上，它与V4-Flash正式版持平；在需要视觉理解的Agent基准测试中较V4-Flash大幅提升，多模态Agent能力已接近Opus-4.8。

注：本文综合自IT之家等，文中包含AI辅助创作的内容。