8 月 31 日，DeepSeek 在 Hugging Face 正式开源 DeepSeek-V4-Flash-Vision-Exp 模型权重。该模型 API 已于 8 月 21 日上线，此次更新的核心在于开放权重，允许开发者进行本地部署、能力测试及二次适配。
作为 DeepSeek V4 系列首个实验性多模态模型，DeepSeek-V4-Flash-Vision-Exp 参数量约 3050 亿。其核心突破不仅在于图像识别，更在于将视觉理解能力深度集成至 Agent 任务中，实现从“看懂”到“执行”的跨越。
图源：DeepSeek 官方 Hugging Face 模型仓库
权重正式开放与部署条件
DeepSeek-V4-Flash-Vision-Exp 基于 V4-Flash 架构升级而来，通过引入视觉模块并持续训练获得图像理解能力。此次开源内容包括模型权重、分词器、提示词编码参考，以及一套最小化的 PyTorch 推理实现代码，涵盖视觉编码器、视觉对齐模块、DFlash 注意力机制、MoE 及 DSpark 前向过程。
代码与权重均采用 MIT 许可证，为学术研究、私有化部署及行业适配提供了宽松环境。但需注意，受限于 3050 亿的庞大参数量，完整部署对显存、存储及推理算力要求极高，普通个人设备难以承载。
从视觉识别到多模态 Agent
该模型支持文本与图片混合输入，具备图片描述、截图文字识别（OCR）、图表分析及视觉问答等基础能力。其战略定位并非单纯的视觉模型，而是多模态 Agent：在理解图像内容后，能自主调用搜索、代码执行等工具完成复杂任务，如分析软件界面、处理网页截图及解读数据图表。
官方 API 支持 Base64 编码、外部链接及 Files API 三种图片输入方式。单张图片 Token 上限为 384，计费标准沿用 V4-Flash。其中 Files API 目前免费，开发者上传一次后即可通过 file_id 在多轮对话中重复引用，有效降低调用成本。
图源：DeepSeek 官方 API 发布页面
基准测试表现
根据官方模型卡数据，DeepSeek-V4-Flash-Vision-Exp 在多项基准测试中表现优异：
- 文字类 Agent 任务：Terminal Bench 2.1 得分为 83.9，优于 V4-Flash-0731（82.7），略低于 Opus-4.8（85.0）；DeepSWE 得分为 59.3；Toolathlon-Verified 得分为 75.9，接近 Opus-4.8 的 76.2。
- 多模态 Agent 任务：ApexBench Pass@1 得分为 36.5（Opus-4.8 为 39.4）；Agents'Last Exam 得分为 27.3（Opus-4.8 为 25.7）；Chartography 得分为 64.3（Opus-4.8 为 65.0）；ZeroBench Pass@5 得分为 35.0（Opus-4.8 为 34.0）。
图源：DeepSeek 官方模型仓库
数据显示，在特定测试集下，该模型部分多模态 Agent 任务成绩已接近或超越 Opus-4.8。但需理性看待：一方面，当前数据源自官方测试，尚缺广泛的第三方复测验证；另一方面，部分对比实验中对照组未处理多模态输入，存在变量不完全对等的情况。因此，该数据更适合用于观察模型能力演进方向，而非绝对的排名依据。
行业价值与应用前景
此次权重开放标志着多模态技术从“感知”向“行动”的转变。视觉理解融入 Agent 框架后，应用场景将从简单的图片描述延伸至网页自动化处理、软件操作、办公流自动化及复杂数据分析等领域。
对于注重数据安全与本地化处理的企业而言，开源权重提供了私有化部署的新选项，使其能结合内部系统与专有工作流进行定制化适配。然而，3050 亿参数带来的高昂硬件成本、推理延迟及运维复杂度，仍是实际落地必须考量的现实约束。
实验性质与未来展望
模型名称中的"Exp"明确标示了其实验版本属性。目前，DeepSeek 尚未公开完整的训练数据构成、系统性安全评估及详细部署成本。面对复杂图表、模糊截图或专业领域图像时，模型的稳定性仍需在真实场景中进一步验证。
现阶段断言其达到顶级闭源模型水平为时尚早。DeepSeek 此举的核心意义在于将 V4 系列从文本 Agent 扩展至多模态 Agent，并通过开源让社区得以在非官方 API 环境下验证该技术路线。未来的关注重点应转向第三方复现结果、低成本部署方案的涌现，以及模型在企业实际工作流中的渗透率。
注：文中参数、功能及测试成绩均引自 DeepSeek 官方资料，仅供参考。