DeepSeek‑V4‑Flash‑Vision‑Exp

DeepSeek 在 Hugging Face 平台正式发布首款 V4 系列多模态实验模型 DeepSeek‑V4‑Flash‑Vision‑Exp。该模型基于 MIT 协议开源，支持免费商用，标志着其在多模态智能体领域的重要突破。

基础参数

模型架构：总参数量 3050 亿（305B），采用 MoE 混合专家架构，单 Token 推理仅激活 130 亿（13B）参数，显著提升推理效率。

权重规格：整体权重约 168GB，采用 Safetensors 格式，分拆为 48 个分片存储。

输入能力：支持“文本 + 多图像”混合输入，兼容 JPEG、PNG、GIF、WebP 格式。单次最多处理 600 张图像，单张图像压缩至 384 个视觉 Token。

推理配置：上下文窗口最大 32K，提供原生 PyTorch 推理方案，并兼容 vLLM、SGLang 等主流部署框架。

版本定位：当前为实验版本，非正式稳定版。适用于学术研究与模型二次微调，暂不建议直接投入生产环境。

核心性能

引入视觉模块后，模型文本智能体能力未出现衰减。在 Terminal Bench 2.1 评测中得分 83.9，较纯文本版 V4‑Flash 模型实现小幅提升。

数据说明：该模型仅在部分多模态智能体指标上超越 Claude Opus 4.8，综合能力仍有差距。所有性能数据源自官方自测，尚未通过第三方独立复现验证。

技术要点

架构升级：基于 V4‑Flash MoE 主干网络，新增独立 ViT 视觉编码器。通过图像空间压缩技术，有效降低视觉 Token 计算开销，提升多模态推理效率。

核心机制：继承 V4 核心架构，搭载 CSA+HCA 混合稀疏注意力、mHC 流形约束残差连接及 DFlash 推理加速机制，保障高效运算。

场景定位：专注多模态智能体场景，适配截图解析、架构图代码解读、图表数据分析及可视化工具调用等专业任务，并非通用图像识别模型。

部署门槛

硬件要求：模型权重大、算力需求高，需多卡大显存服务器集群支撑推理，普通消费级显卡无法满足部署要求。

使用建议：普通开发者可直接调用官方 API 快速体验；开源权重主要面向科研迭代、企业私有化部署及模型二次微调等深层应用场景。

小结

核心优势：支持 MIT 协议免费商用，MoE 稀疏架构大幅降低推理成本。其多模态智能体能力达到开源顶尖水平，部分核心指标已比肩顶级闭源模型 Claude Opus 4.8。

现存短板：作为实验版本稳定性尚待提升，权重部署成本高企。在通用图文理解、长视频处理能力上有限，多项综合评测指标仍落后于顶级闭源模型。